Tiefes Netzwerk zur Entstörung von kapazitiven EKGs

Die kontinuierliche Überwachung der Herzgesundheit unter freien Lebensbedingungen ist entscheidend, um effektive Pflege für Patienten in der postoperativen Genesungsphase und für Personen mit hohem Herzrisiko wie Senioren zu gewährleisten. Der kapazitive Elektrokardiogramm (cECG) ist eine Technologie, die durch ihre Fähigkeit, Biopotenziale ohne Hautkontakt zu messen, eine komfortable und langfristige Überwachung ermöglicht. Die cECG-Überwachung kann mit vielen Haushaltsgegenständen wie Stühlen, Betten und sogar Autositzen durchgeführt werden, was eine nahtlose Überwachung von Individuen ermöglicht. Leider ist diese Methode stark anfällig gegenüber Bewegungsartefakten, was ihre Anwendung in der klinischen Praxis erheblich einschränkt. Derzeit wird die Verwendung von cECG-Systemen auf die Durchführung einer Rhythmusanalyse begrenzt. In dieser Arbeit schlagen wir ein neues end-to-end Tiefenlernarchitekturmodell vor, das die Aufgabe des Rauschunterdrückens bei kapazitiven EKGs übernimmt. Das vorgeschlagene Netzwerk wurde mit dreikanaligen cECGs trainiert, die durch Bewegungsstörungen beeinträchtigt waren, sowie mit einem Referenz-LEAD I EKG, das bei Personen während des Autofahrens erhoben wurde. Darüber hinaus schlagen wir eine neue gemeinsame Verlustfunktion vor, um den Verlust sowohl im Signal- als auch im Frequenzbereich anzuwenden. Wir führen eine umfangreiche Rhythmusanalyse der Modellvorhersagen und der Ground Truth durch. Des Weiteren bewerten wir die Signalkorrektur mittels des mittleren quadratischen Fehlers (MSE) und der Kreuzkorrelation zwischen den Modellvorhersagen und der Ground Truth. Wir melden einen MSE von 0,167 und eine Kreuzkorrelation von 0,476. Die gemeldeten Ergebnisse unterstreichen die Machbarkeit einer morphologischen Analyse unter Verwendung des gefilterten cECG. Der vorgeschlagene Ansatz könnte es ermöglichen, Individuen unter freien Lebensbedingungen kontinuierlich und umfassend zu überwachen.