合成数据驱动的LSTM框架用于在光学信号中追踪心脏脉

科学领域:

• 生物医学光学 生物医学光学
• 医疗保健中的人工智能
• 信号处理 信号处理

背景情况:

• 视觉监测技术,如近红外光谱 (NIRS),光聚光谱 (PPG) 和分散相关性光谱 (DCS),对于评估心脏脉至关重要.
• 这些方法经常受到运动工件和噪音的影响,限制了它们的临床实用性.
• 现有的排斥方法通常需要广泛的注释临床数据集,这些数据很难获得.

研究的目的:

• 开发一种新的,以合成数据为驱动的框架,用于消除脉冲光学波形的噪声.
• 通过减轻运动工件和噪音来提高心跳监测的准确性.
• 创建一个灵活的AI模型,适应各种光学监控设备和噪声条件.

主要方法:

• 一个长期短期记忆 (LSTM) 神经网络被训练使用生理现实的合成脉动信号.
• 生成的信号被故意用参数化工件破坏,以模拟现实世界的噪音.
• 该LSTM模型应用于实验NIRS,PPG和DCS数据,并将其性能与波形和时间衍生分布修复 (TDDR) 过器进行比较.

主要成果:

• 这种基于LSTM的框架有效地追踪和拒绝了脉动光学波形,超过了传统的波形和TDDR过器.
• 从处理的信号中提取心率 (HR) 显示与心电图 (ECG) 测量有很高的一致性 (平均绝对误差=0.59bpm).
• 该模型展示了节拍对节拍波形形态的优异恢复.

结论:

• 合成数据生成与LSTM网络相结合,提供了一种强大的方法来消除光学心脏监测信号的噪音.
• 这种方法克服了需要注释的临床数据集来训练AI模型的局限性.
• 拟议的框架显示了在各种应用和环境中提高非侵入性心脏监测的可靠性和准确性的巨大潜力.