通过使用学习的卷积稀疏编码来减少来自光聚体图信号的运动工件
Giulio Basso1, Xi Long1, Reinder Haakma2
1Department of Electrical Engineering, Eindhoven University of Technology, Flux building, PO Box 513, Eindhoven, 5600 MB, NETHERLANDS.
Physiological measurement
|January 8, 2026
概括
这项研究引入了一种新的深度学习框架,以消除可穿戴设备的光聚光学 (PPG) 信号,显著提高心血管疾病监测的准确性,即使使用运动器件.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 可穿戴式光电脉扫描 (PPG) 为心血管疾病管理提供了持续的,非侵入性的心脏监测.
- 日常生活中的运动工件严重降低了PPG信号质量,挑战了传统的无声化方法.
- 目前的深度学习否定者缺乏解释性,阻碍了临床采用.
研究的目的:
- 开发一种新的框架,将信号分解和深度学习结合起来,用于可解释的PPG信号消噪.
- 为了提高可穿戴PPG监控对运动工件的稳定性.
主要方法:
- 一种算法展开的方法将先前的PPG知识集成到深度神经网络中,以提高可解释性.
- 一个学习的卷积稀疏编码模型被用于信号表示.
- 该网络使用PulseDB数据集和合成文物模型进行训练,然后在PPG-DaLiA数据集上验证.
主要成果:
- 拟议的方法在合成数据集上提高了18.29dB的信号噪声比 (SNR).
- 心率平均绝对误差 (MAE) 在合成数据上降低了55%,在真实数据上降低了23%.
- 该框架实现了较高的SNR和与现有的深度学习方法相比较的MAE.
结论:
- 开发的方法有效地提高了可穿戴设备的PPG信号质量.
- 它可以提取有意义的波形特征,以改善心血管疾病监测.
- 这种方法有可能开发用于远程心脏健康评估的创新工具.
