换一批基于MST-ECGNet深度学习模型的非接触ECG信号重构方法研究
A study on non-contact ECG signal reconstruction based on MST-ECGNet deep learning model
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.
更多相关知识
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bio-radarnon-contactneural networksmulti-scale featureencoder-decoder networkelectrocardiogramcardiac mechanical motioncardiovascular diseases
栏目名称
DOI
10.13276/j.issn.2097-1656.2025.10.017
发布时间
2025-11-10（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（62301568）
空军军医大学科技发展基金（2024XB023）
- 浏览8
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
