CLEP-GAN:一种创新的方法,从PPG信号进行主体独立的ECG重建

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 心血管监测 心血管监测

背景情况:

• 从光电心电图 (PPG) 中重建心电图 (ECG) 信号对于非侵入性心脏监测至关重要.
• 现有的ECG-PPG数据集缺乏多样性,并受到噪声的影响,使准确的信号重建变得复杂.
• 由于数据限制,先进的机器学习模型在从PPG重建ECG时面临挑战.

研究的目的:

• 开发一种用于生成多种合成ECG-PPG对的新方法,以改善模型训练.
• 引入CLEP-GAN,这是一个独立于主题的框架,用于强大的PPG到ECG信号重建.
• 评估人口因素对ECG重建精度的影响.

主要方法:

• 基于普通微分方程 (ODE) 的方法用于合成ECG-PPG对生成.
• CLEP-GAN框架整合了对比式学习,对抗式学习和注意力门.
• 对现实世界数据集 (BIDMC,CapnoBase) 的评估和对人口影响的分析.

主要成果:

• 在PPG-ECG重建中,CLEP-GAN与最先进的方法相匹配或超越,特别是在看不见的对象.
• 合成ECG-PPG对表现出类似于真实数据的RR间隔分布,模拟各种心律.
• 性别和年龄等人口因素显著影响重建的准确性,强调需要多样化的数据.

结论:

• 拟议的方法有效地产生各种合成ECG-PPG数据,这对于强大的模型训练至关重要.
• 在合成和真实数据集上,CLEP-GAN表现出强的性能,显示出临床应用的前景.
• 调查结果强调了人口多样性在开发可靠的非侵入性心电图监测工具方面的重要性.