Réseau Profond pour le Débruitage d'ECG Capacitif

La surveillance continue de la santé cardiaque dans des conditions de vie libre est cruciale pour fournir des soins efficaces aux patients en convalescence après une opération et aux individus à haut risque cardiovasculaire, tels que les personnes âgées. L'électrocardiogramme capacitif (cECG) est l'une des technologies qui permettent une surveillance confortable et à long terme grâce à sa capacité à mesurer le potentiel biologique sans contact cutané. La surveillance cECG peut être réalisée à l'aide de nombreux objets domestiques tels que des chaises, des lits et même des sièges de voiture, permettant ainsi une surveillance fluide des individus. Malheureusement, cette méthode est très sensible aux artefacts de mouvement, ce qui limite considérablement son utilisation dans la pratique clinique. L'utilisation actuelle des systèmes cECG se limite principalement à l'analyse rythmique. Dans cet article, nous proposons une nouvelle architecture d'apprentissage profond de bout en bout pour effectuer la débruitage du cECG capacitif. Le réseau proposé est formé en utilisant un cECG tricanaux corrompu par le mouvement et un électrocardiogramme (ECG) de référence sur le canal I collecté chez des individus pendant qu'ils conduisent une voiture. De plus, nous proposons une nouvelle fonction de perte conjointe pour appliquer la perte dans les domaines temporel et fréquentiel. Nous menons une analyse rythmique approfondie sur les prédictions du modèle et la vérité terrain. Nous évaluons également le débruitage du signal en utilisant l'Erreur Quadratique Moyenne (MSE) et la Corrélation Croisée entre les prédictions du modèle et la vérité terrain. Nous rapportons une MSE de 0,167 et une Corrélation Croisée de 0,476. Les résultats obtenus soulignent la faisabilité d'effectuer une analyse morphologique à partir du cECG filtré. L'approche proposée pourrait permettre une surveillance continue et complète des individus dans des conditions de vie libre.