用于电容式ECG去噪的深度网络

在自由生活条件下持续监测心脏健康对于术后恢复患者以及老年人等高心脏风险人群提供有效护理至关重要。电容心电图（cECG）是一种能够在无需皮肤接触的情况下测量生物电位的技术，能够实现舒适且长期的监测。通过许多家用物品如椅子、床甚至汽车座椅进行cECG监测，可以无缝地监控个人的心脏状况。然而，这种方法对运动伪影非常敏感，极大地限制了其在临床实践中的应用。目前，cECG系统的使用主要局限于进行节律分析。本文提出了一种新颖的端到端深度学习架构，用于去除电容心电图中的噪声。该网络使用在驾驶汽车时收集的受运动干扰的三通道cECG和参考导联I心电图（LEAD I ECG）进行训练。此外，我们还提出了一种新的联合损失函数，以同时应用于信号域和频率域的损失计算。我们对模型预测结果和真实值进行了广泛的节律分析，并进一步使用均方误差（MSE）和模型预测结果与真实值之间的互相关系数评估信号去噪效果。报告的MSE为0.167，互相关系数为0.476。这些结果表明，利用滤波后的cECG进行形态学分析是可行的。所提出的这种方法可以在自由生活条件下实现个体的连续且全面监测。