基于深度神经网络检测隔膜EMG活动:从模拟到临床数据

科学领域:

• 生物医学工程 生物医学工程
• 呼吸系统医学 呼吸系统医学
• 医疗保健中的人工智能

背景情况:

• 精确的隔膜电肌图 (EMGdi) 检测对于优化COPD患者使用夜间非侵入性通风 (NIV) 的呼吸支持至关重要.
• 传统的信号处理方法在低信号噪声比 (SNR) 条件下扎,导致呼吸事件错误分类.
• 改善患者-呼吸器同步是有效的NIV治疗的必要条件.

研究的目的:

• 开发和验证基于深度神经网络 (DNN) 的方法,用于自动检测EMGdi发作和偏移.
• 在低SNR环境中解决传统方法的局限性.
• 为了提高个性化呼吸治疗的患者 - 呼吸器同步评估.

主要方法:

• 一个卷积神经网络 (CNN) 使用模拟的EMGdi信号进行训练,具有现实的可变性和噪声.
• 由合成信号衍生的模糊标签函数作为训练目标.
• 在模拟和真实世界患者数据上评估了CNN检测器,这些数据来自接受夜间NIV的COPD患者.

主要成果:

• 与传统方法相比,基于CNN的探测器显示了较低的检测错误.
• 拟议的方法显示EMGdi检测的变异性减少.
• 结果表明,在识别呼吸道事件方面,准确度提高了.

结论:

• 基于深度学习的方法显示出在具有挑战性的条件下精确检测EMGdi的巨大潜力.
• 提高检测准确度可以改善患者与呼吸机的同步.
• 这项技术可以为COPD患者提供更个性化,更有效的呼吸支持.