从PPG信号生成端到端的非侵入性心电图信号:一种自我监督的学习方法

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 信号处理 信号处理

背景情况:

• 电心电图 (ECG) 对于心脏监测至关重要,但需要临床设置.
• 摄像力发电图 (PPG) 提供了可访问的,非侵入性的数据,但缺乏心电图细节.
• 目前的局限性阻碍了持续的,日常的心脏事件检测.

研究的目的:

• 开发一种新的方法,从PPG信号中合成高保真度的ECG信号.
• 通过使用简单,可穿戴的设置来实现强大的心电图波形生成.
• 提高在家中持续进行心脏监测的可行性.

主要方法:

• 使用基于变压器的生成对抗网络 (GAN) 进行心电图信号合成.
• 整合了自我监督的学习,以提高模型学习多种ECG模式的能力.
• 在两个数据集上使用心率计算和根平均平方误差 (RMSE) 评估模型性能.

主要成果:

• 显著减少了心率计算错误,在MIMIC III上减少了83.9%,在Who is Alyx?上减少了72.4%. 数据集. 数据集. 数据集.
• 在从PPG产生准确的心电图信号方面表现出卓越的有效性.
• 成功应用生成的心电图信号来检测心脏动 (AF).

结论:

• 拟议的AI模型有效地合成了PPG的准确ECG信号,克服了传统的监测限制.
• 这种方法具有显著的潜力,可以改善远程心脏监测和早期发现心脏疾病.
• 公开发布的数据集和代码鼓励进一步研究人工智能驱动的ECG生成.