在野生环境中检测SCG系统性:静态动态交叉数据集分析

科学领域:

• 生物医学工程 生物医学工程
• 心血管监测 心血管监测
• 信号处理 信号处理

背景情况:

• 地震心脏图 (SCG) 提供了对心脏电机活动的持续监测.
• 在SCG信号中精确检测缩复合物对于临床分析至关重要.
• 目前用于SCG分析的深度学习 (DL) 方法通常在受控环境中进行评估,这限制了现实世界的适用性.

研究的目的:

• 在现实世界,动态条件下对SCG缩复合体检测进行详尽的实验分析.
• 量化域转移对DL模型性能的影响,用于SCG分析.
• 在具有挑战性的环境中评估模型适应策略和多道方法的有效性.

主要方法:

• 利用基于U-Net的深度学习模型进行缩复合体检测.
• 设计了一个新的实验框架,结合了多个SCG数据集.
• 执行交叉数据集和静态动态域转移评估以模拟现实世界的变化.
• 评估传统的模型适应技术,如微调和个性化.
• 研究了多道方法的好处.

主要成果:

• 在现实世界中,SCG检测比在受控环境中更具挑战性.
• 交叉数据集和静态动态域转移都显著降低了检测性能.
• 传统的适应策略只提供了部分性能改善.
• 多道方法在现实世界SCG检测场景中显示出显著的好处.

结论:

• 对于SCG系统检测的深度学习模型在动态的现实环境中面临着巨大的挑战,这是由于领域的转变.
• 模型适应策略需要进一步开发,以有效地应对现实世界的变化.
• 多通道SCG采购显示了改善心脏监测系统稳健性的前景.