一种光电容积波PPG 转换到心电图ECG进行房颤检测的神经网络模型

具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI人工智能
光电体积描记法（PPG）是一种经济有效的非侵入性技术，利用光学方法测量心脏生理学。 PPG 在健康监测领域越来越受欢迎，并用于各种商业和临床可穿戴设备。与心电图（ECG）相比，PPG 并没有提供实质性的临床诊断价值，尽管两者之间有很强的相关性。 在这里，我们提出了一种独立于主体的基于注意力的深度状态空间模型（ADSSM），将 PPG 信号转换为相应的心电图波形。该模型不仅对噪声具有鲁棒性，而且通过结合概率先验知识来提高数据效率。为了评估我们的方法，使用了 MIMIC-III 数据库中 55 名受试者的原始数据，然后用噪声进行修改，模仿现实世界的场景。我们的方法被证明是有效的，将转换后的心电图信号输入现有的心房颤动 (AFib) 检测器时，PR-AUC 达到 0.986。 ADSSM 能够整合 ECG 的广泛知识库和 PPG 的连续测量，以实现心血管疾病的早期诊断。

测量个体心脏产生的电活动（称为心电图 (ECG)）通常需要在身体上放置多个电极。心 电图被认为是监测生命体征以及诊断、管理和预防心血管疾病 (CVD) 的首选方法，根据全 球疾病负担报告，心血管疾病是全球主要死亡原因，约占 2017 年所有死亡的 32%。研 究还表明，心脏骤停在年轻人（包括运动员） 中变得越来越普遍。研究发现定期心电图监测有利于早期识别心血管疾病。在心脏病中，心房颤动（AFib）是成年人最常见的心律失常。早期识别 AFib 对于心源性卒中的 一级和二级预防至关重要，因为它是此类卒中的主要危险因素。电子、可穿戴技术和机器学习的进步使得更轻松、更准确地记录心电图以及更有效地分析大量数据成为可能。尽管取得了这些进展，但长期持续收集高质量心电图数据

仍然存在挑战，特别是在日常生活中。12 导联心电图被认为是临床黄金标准，而更简单的版本（例如动态心电图）可能不方便且体积庞大，因为需要在身体上放置多个电极，这可能会引起不适。此外，随着时间的推移，随着皮肤和电极之间的阻抗发生变化，信号可能会减弱。智能手表等消费级产品已经开发 出解决这些问题的解决方案。然而，这些产品要 求用户将手指放在手表上形成闭合电路，从而无 法进行连续监测。这些问题的一个潜在解决方案 是使用数学方法从替代的、高度相关的、非侵入光电体积描记图 (PPG)转换出心电图，PPG更方便、 更经济、更人性化。PPG 已越来越多地在消费级设备中采用。该技术涉及使用光源（通常是 LED）和光电探测器来测量血液流经组织时光吸收或反射的变化。 ECG 和 PPG 信号本质上是相关的，因为两者都受到相同的潜在心脏活动（即 心脏的去极化和复极化）的影响。这些收缩导致外周血容量的变化，这是通过 PPG 测量的。图 1 显示了 ECG 和 PPG 波形之间的关系。通过将PPG转换为心电信号ECG，可以对心脏疾病和异常进行实时临床诊断。

基于注意力的深度状态空间模型（ADSSM）框图如下

从 PPG 转换 ECG 的图形模型。阴影节点代表观 察到的变量。清晰的节点代表潜在变量。菱形节点表示 确定性变量。

MIMIC-III 波形数据库匹配子集用于实 验。该数据库包含从各医院的患者收集的记录。每 个会话都有多个生理信号，包括 PPG 和 ECG 信 号，以 125 Hz 的频率采样。我们使用了43名健康受试者和12名AFib受试者的记录，其中男性30名， 女性25名，年龄23-84岁。每条记录时长为5分钟。 每条记录的前 48 秒用作训练集，接下来的 12 秒用 作验证集，剩余的 228 秒用作测试集。

PPG 的 ECG 转换：表 I 显示了我们的模型的性 能，并将其与其他模型在 ρ、RMSE 和 SNR 的均值 和标准差方面进行了比较。我们的模型生成的信号 与参考信号之间的相关性是统计上强，ρ 值为 0.858。此外，低 RMSE 值 (0.07) 和高 SNR (15.365) 显示它们与参考心电图信号之间有很强的 相似性。第二行显示了我们的模型在噪声数据集上 的性能。指标从 0.858 到 0.847 (ρ)、0.07 到 0.76 (RMSE) 和 15.365 到 13.887 (SNR) 的微小下降证 明了我们模型的稳健性。我们将此归因于模型的概 率性质，它可以更好地处理测量噪声。

转换后的 ECG 信号示例。在每个子图中：顶部面板显示输入 PPG 波形，底部面板显示与参考波形相比的重建 ECG 波形。

在这项工作中，我们提出了一种新颖的基于注意力的 深度状态空间模型，以 PPG 信号作为输入生成 ECG 波形。结果表明，我们的模型有潜力通过可穿戴设备 进行简单的 PPG 评估，实现基于心电图的心脏病临 床诊断，从而为远程医疗带来范式转变。我们的模型 在小型且嘈杂的数据集上进行训练，平均皮尔逊相关 性为 0.847，RMSE 为 0.076 mV，SNR 为 13.887 dB，证明了我们方法的有效性。值得注意的是，我 们的模型能够连续设置 AFib 监测功能，协助最先进 的 AFib 检测模型实现 0.986 的 PR-AUC。作为一种 轻量级方法，也有利于其在资源受限的设备上的部 署。在我们未来的工作中，我们的目标是验证该模型 与其他生理信号对的普遍性。我们的方法可以在家庭 环境中筛查和早期发现心血管疾病，节省金钱和劳动 力，同时在不寻常的大流行情况下为社会提供支持。