在针治疗中,基于心电图的多任务非接触性弹性心电图监测生命体征

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 监测生命体征在医疗保健中至关重要.
• 无接触方法在患者舒适性和持续监测方面具有优势.
• 现有的方法可能在准确性或适用于特定环境的限制,如针.

研究的目的:

• 开发一种创新的,非接触式系统,用于使用弹性心电图 (BCG) 信号监测生命体征.
• 将多任务学习与深度神经网络集成在一起,以提高心率 (HR) 和呼吸率 (RR) 的估计,并检测躺姿势.
• 在涉及人类参与者的研究中验证系统的性能.

主要方法:

• 使用多通道弹性心电图 (BCG) 信号,通过床下聚乙烯化物 (PVDF) 薄膜传感器非接触捕获.
• 采用了定制数据记录器来获取信号,并集成了门式循环单元 (GRU) 和多头自我注意 (MHSA) 深度学习模型.
• 实施了一个多任务学习框架,用于同时HR,RR估计和姿势分类.

主要成果:

• 在活动和躺姿态分类方面取得了高准确性 (分别为98.7%和97.6%).
• 证明生命体征估计的低平均绝对误差 (MAE):最佳HRMAE为0.77bpm,最佳RRMAE为0.43brpm.
• 结果显示,在特定姿势下,与FDA批准的设备具有相似或优异的性能.

结论:

• 拟议的基于BCG的多任务学习系统在非接触式生命体征估计和姿势分类方面表现出高性能.
• 这种创新方法为开发用于持续监测患者的先进医疗援助工具提供了实用途径.
• 该研究强调了深度学习和BCG信号在各种医疗保健应用中对不显眼的生理监测的潜力.