雷达HRV监测与生理学预先启发深度神经网络

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 心血管生理学心血管生理学

背景情况:

• 心率变化 (HRV) 是心血管和自主神经系统健康的关键指标.
• 目前使用雷达的无接触HRV监测方法受到信号噪声和复杂生理条件的变化所限制,仅限于实验室环境.
• 需要对不同患者群体进行强有力的,现实世界的HRV监测.

研究的目的:

• 为使用雷达进行非接触式HRV监测开发一个强大的,以生理学预先启发的深度学习框架.
• 解决现有方法在复杂生理条件下的现实场景中的局限性.
• 验证框架在门诊患者的大规模数据集上的表现.

主要方法:

• 一个混合深度神经网络被设计用于模拟全身雷达反射和心跳之间的时空关系,利用内部心跳驱动干运动的前提.
• 基于心脏运动的自我相似性,开发了一种信号增强策略,以便在各种条件下改善HRV分布和性能.
• 该框架在一个大规模的数据集上得到验证,包括7150名在现实环境中患有复杂生理条件的门诊患者.

主要成果:

• 拟议的方法实现了关键HRV指标的低平均误差:IBI (19.21 ms),RMSSD (16.23 ms),SDSD (16.70 ms) 和pNN50 (7.28%).
• 基于雷达衍生HRV的心脏状况分类表明性能与基于心电图 (ECG) 的方法相提并论.
• 该框架显示了在复杂的现实患者场景中准确,无接触HRV监测的巨大潜力.

结论:

• 灵感来自生理学前期深度学习框架为使用雷达进行非接触式HRV监测提供了强大的解决方案.
• 这种方法克服了以前方法的局限性,使得在多样化和复杂的生理条件下可靠的监测.
• 该研究强调了基于雷达的HRV监测在临床上广泛应用的潜力.