基于MST-ECGNet深度学习模型的非接触ECG信号重构方法研究

摘要

目的 针对传统心电图(ECG)监测技术舒适性差、难以连续监测等问题，开展生物雷达与深度学习技术结合的非接触ECG信号精准重构研究。方法 采用94 GHz连续波生物雷达采集胸腔微动信号，通过变分模态分解算法从中分离出心脏机械运动信号；构建一种基于多尺度心脏特征提取网络和Transformer编解码架构的ECG重构模型(MST-ECGNet),采用双路特征提取架构，通过多尺度心跳特征提取网络捕获心脏机械运动信号的不同尺度局部特征，结合Transformer-Encoder捕获其全局时序特征，经特征融合后由Transformer-Decoder实现ECG波形重构。结果 所提方法重构的ECG信号与参考信号的皮尔森相关系数达0.956,表明重构的ECG信号与参考信号高度一致，与现有非接触式方法相比，所提方法在波形还原准确性上更具优势。结论 提出一种基于MST-ECGNet模型的非接触ECG信号重构方法，该模型兼顾多尺度局部特征与全局特征提取，实现了精准的ECG信号重构，为心血管疾病的诊断和监测提供了一种非接触、长期、动态的解决方案。

关键词

生物雷达 / 非接触式 / 神经网络 / 多尺度特征 / 编解码网络 / 心电图 / 心脏机械运动 / 心血管疾病