基于超短脉搏血氧信号估计短期心率变异性:利用深度学习缓解系统偏差

《IEEE Journal of Biomedical and Health Informatics》:Estimating Short-Term Heart Rate Variability from Ultra-Short PPG: Mitigating Systematic Bias Using Deep Learning

【字体: 大 中 小 】 时间:2026年10月12日 来源:IEEE Journal of Biomedical and Health Informatics 7.7

编辑推荐:

   摘要:使用超短期(UST,<5 分钟)的光电容积脉搏波(PPG)片段来估算标准短期(ST,5 分钟)心率变异性(HRV)指标(源自心电图(ECG)),对于在重症监护环境中实现实时、具有成本效益的 HRV 监测具有理想价值。传统的基于 PPG 的 HRV 估算依赖于脉搏率变异

  

摘要:

使用超短期(UST,<5 分钟)的光电容积脉搏波(PPG)片段来估算标准短期(ST,5 分钟)心率变异性(HRV)指标(源自心电图(ECG)),对于在重症监护环境中实现实时、具有成本效益的 HRV 监测具有理想价值。传统的基于 PPG 的 HRV 估算依赖于脉搏率变异性(PRV),由于 PPG 与 ECG 信号之间存在生理差异,其准确性受到限制。在此,我们提出了一种数据驱动的端到端深度学习方法,可直接从 UST PPG 片段(最短 10 秒)估算基于 ECG 的 ST HRV 指标。核心思想是利用深度学习表征 PPG 波形的完整特征,学习由短 PPG 片段与较长 ECG 记录共享的领域不变 HRV 信息。研究表明,PRV 基础 HRV 估计中观察到的一致且系统的偏差,可以通过使用真实 ST HRV 指标进行监督深度学习来缓解。我们使用 VitalDB 数据集(4,759 名受试者)在 7 种 ST 和 UST PPG 持续时间上比较了基于深度学习与 PRV 基线方法的 HRV 估计。在 VitalDB 上训练的模型在 BIDMC 数据集(24 名受试者)上进一步验证,以评估其泛化能力。在 VitalDB 数据集上,基于深度学习的 HRV 估计始终优于 PRV 基线方法,作为 ECG 衍生 ST HRV 指标的替代方案,在时域、频域和非线性域中均实现了高相关性(ρ>0.7)和低偏差(|Cohen's d|<0.2),使用持续时间 ≥120 秒的 UST PPG 片段。同时,在 VitalDB 数据集上训练的模型在 BIDMC 数据集中从 ρ>0.5 秒的 PPG 片段估算大多数 ST HRV 指标时,实现了中等至高的相关性(|d|<0.8)和低至中等的偏差(≥30),展示了跨数据集泛化的良好前景。本研究证明了使用深度学习推断临床相关的长期心血管……的可行性……
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号