一种基于复合特征预处理和多尺度建模的1维生理信号预测方法
Peiquan Chen1,2,3, Jie Li1,3, Bo Peng1,2,3
1Xi'an Institute Optics and Precision Mechanics, Chinese Academy of Sciences, No. 17 Xinxi Road, Xi'an 710119, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究引入了CBAnet,这是一种用于预测内压力 (ICP) 和动脉血压 (BP) 等生理信号的新方法. 它提高了实时,非侵入性患者监测的准确性和效率.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 精确的实时监测生理信号,如内压力 (ICP) 和动脉血压 (BP),对于临床护理至关重要.
- 传统的侵入性监测方法存在感染和程序复杂性等风险,限制了连续测量.
- 使用可观测信号的基于学习的预测提供了一个有希望的非侵入性替代方案,但现有的模型在有效地捕捉多尺度特征和远程依赖性方面面临着挑战.
研究的目的:
- 开发一种高效准确的非侵入性生理信号预测方法,解决现有模型的局限性.
- 改进捕获本地波形细节和生理信号中的远程时间依赖性.
- 为实时生理监测中的临床需求提供计算效率高的解决方案.
主要方法:
- 一个复合特征预处理步骤构建了一个七维特征矩阵,以增强区分能力和减轻相位不匹配.
- 一个新的CNN-LSTM-Attention (CBAnet) 架构集成了多尺度卷积,长短期记忆 (LSTM) 和注意力机制.
- 该模型在GBIT-ABP,CHARIS和自建的PPG-HAF数据集上进行评估,将性能与BiLSTM,CNN-LSTM,变压器和Wave-U-Net.Net进行比较.
主要成果:
- 在根平均平方误差 (RMSE),平均绝对误差 (MAE) 和确定系数 (R2) 方面,CBAnet表现出具有竞争力的性能.
- 拟议的方法有效地捕捉了生理波形中的多尺度局部特征和长距离时间依赖.
- 与基线方法相比,实验结果验证了模型的卓越准确性和时间一致性.
结论:
- 开发的CBAnet为非侵入性,连续的生理参数预测提供了一个有希望和高效的方法.
- 该方法解决了现有模型在处理复杂的生理信号动态和计算需求方面的局限性.
- 这些发现支持先进的机器学习技术在改善实时患者监测和临床决策方面的潜力.
