基于智能手表的不显眼的持续焦虑追踪器,用于评估中风后患者的生活质量

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 脑卒中后焦虑症 (PSA) 影响20-30%的中风幸存者,影响生活质量和康复.
• 目前的情绪评估方法依赖于主观的自我报告,限制了实时的情绪状态捕获.

研究的目的:

• 开发和验证自主监督学习 (SSL) 框架,用于使用智能手表光电显微镜 (PPG) 信号在中风患者中持续跟踪焦虑.
• 为了评估模型的表现与已建立的焦虑措施,如通用焦虑障碍-7 (GAD-7) 尺度.

主要方法:

• 开发了一个基于变压器的情绪分类模型,在心电图 (ECG) R-峰值-峰值间隔 (RRI) 上进行预训练,并在一个标记的情绪数据集上进行微调.
• 该模型应用于来自中风患者的智能手表衍生的脉冲峰值间隔 (PPI),预测与GAD-7分数相关.
• 进行了小组级和90天纵向分析,包括在Galaxy Watch6.6上进行设备上的可行性测试.

主要成果:

• 该模型在30天内预测焦虑时实现了显著的群体间差异 (p = 0.0086) 和高歧视性 (AUC 0.859).
• 使用通用估计方程 (GEE) 进行90天的监测,表明焦虑水平持续分歧,与GAD-7得分一致.
• 建立了在中风患者中不引人注目的持续焦虑跟踪的可行性级证据.

结论:

• 经过心电图预训练的心脏表现可以有效地转换为智能手表PPG,用于对中风幸存者的持续焦虑监测.
• 拟议的框架支持不引人注目的焦虑跟踪,可能提高患者的生活质量和康复.
• 通过多站点研究,更大的队列和潜在的临床试验进行进一步的验证是部署的必要条件.