基于生成对抗网络架构的PPG到ECG信号重建方法

摘要

针对心电图（ECG）信号采集不便及现有光电容积脉搏波（PPG）到ECG重建方法受训练阶段限制问题，提出基于U-Net架构的Transformer-WGAN端到端患者特定深度学习模型，直接从PPG信号重建ECG。该模型融合分层注意力机制捕捉长时序依赖，采用Wasserstein生成对抗网络（WGAN）优化训练稳定性，并引入极值损失确保生理波形合理性。实验基于MIMIC-II数据库276条记录，重建ECG与参考信号的平均Pearson相关系数达0.79，均方根误差为0.157 mV,Fréchet距离为1.783。在心血管疾病分类任务中，重建ECG准确率达92%，接近原始ECG(97%)，优于PPG(73%)。该模型充分利用PPG易获取优势，适用于可穿戴设备，提升患者监测与诊断效率，具有显著临床应用潜力。

关键词

光电容积脉搏波 / 心电图 / 信号重建 / 生成对抗网络 / 注意力机制

基金资助

国家自然科学基金(61976101); 安徽省教育厅科研项目(2023AH030081)