一个新的自适应扩展卡尔曼波器算法,由时频高斯混合模型驱动,用于基于便携式地震心脏学的准确的AO和AC检测

科学领域:

• 生物医学工程 生物医学工程
• 心血管生理学心血管生理学
• 信号处理 信号处理

背景情况:

• 地震心脏图 (SCG) 为心血管疾病监测提供了宝贵的生理见解.
• 传统的算法与SCG固有的弱点作斗争,包括低信号幅度,易受干扰和个体形态变异,阻碍了对主动脉 (AO) 和主动脉关闭 (AC) 等关键事件的准确检测.

研究的目的:

• 开发一种新的自适应扩展卡尔曼波器 (AEKF) 算法,用于精确检测SCG信号中的AO和AC事件.
• 解决个体SCG形态和信号干扰所带来的挑战,以改善心血管监测.

主要方法:

• 开发了一种新的自适应扩展卡尔曼波器 (AEKF) 算法,集成了SCG的时间频率联合分布特征.
• 用高斯混合模型 (GMM) 在时间频域中统一建模单个SCG形态.
• 通过对状态过渡方程进行线性化来构建一个扩展卡尔曼波器 (EKF),并结合一个忘记因子 (ak) 和余量 (ek) 来自适应地更新测量噪声共变矩阵 (R),以准确地估计时间变化的噪声组件.

主要成果:

• 与常见算法相比,AEKF算法在静态CEBS数据集上检测AO和AC事件时表现出优异的过和更高的准确性.
• 开发了一种便携式硬件系统,用于在6分钟的步行测试中收集SCG,并与阻抗心脏学 (ICG) 进行血液动力学参数记录.
• 该算法在训练期间收集的SCG数据上显示了增强的检测性能,优于传统方法.

结论:

• 拟议的AEKF算法显示了在SCG中准确检测AO和AC的巨大潜力.
• 预计与便携式SCG硬件系统的集成将促进方便的心脏病诊断和动态心血管参数监测.
• 未来的应用包括无袖动态血压测量和更广泛地整合到各种医疗场景中.