基于U-Net的呼吸道表面分解电肌图,用于切除心脏器件

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 隔膜表面电肌图 (dEMG) 对于持续的呼吸监测至关重要.
• 电心电图 (ECG) 污染严重限制了临床环境中的实时dEMG分析.

研究的目的:

• 开发一种基于U-Net的新型模型,用于有效的dEMG分解和ECG和EMG组件的分离.
• 通过避免R峰检测和处理非线性,克服传统方法 (如网关和基于波形的技术) 的局限性.

主要方法:

• 使用U-Net深度学习架构进行信号分解.
• 该模型使用合成信号进行训练,将PTB-XL心电图数据与BioMime生成的EMG信号和噪声结合起来.

主要成果:

• 该U-Net模型实现了14.03dB的优异信号噪声比率 (SNRi) 改进.
• 这在dEMG分离中明显优于传统的门 (0.18dB) 和基于波形 (4.46dB) 的方法.

结论:

• 拟议的U-Net模型通过分离ECG干扰来有效地提高dEMG信号质量.
• 这一进步对于改善非侵入性呼吸监测至关重要,特别是用于治疗喘等疾病的可穿戴设备.