ECG Signal Reconstruction from PPG Using Hybrid Deep Neural Networks
Notice bibliographique
Résumé
Electrocardiograms (ECGs) and photoplethysmography (PPG) facilitate non-invasive cardiovascular monitoring; however, the correlation between their respective waveforms, which exhibit high cycle correlation, remains underexplored.This study aims to estimate ECG signals from PPG data using an array of Deep Neural Networks (DNNs) across varied transformation feature domains, thereby making PPG measurements a more expedient and less effort-intensive alternative to ECG acquisition.A novel, subject-specific deep learning model is introduced, combining the architectures of Convolutional Neural Networks (CNN) and bidirectional Long Short-Term Memory (BiLSTM), termed ConvBiLSTM.This hybrid model proposes an automatic method for ECG signal reconstruction.To ensure model robustness against deformation, spatial characteristics are first extracted using CNNs, followed by the extraction of temporal characteristics from the CNN output via BiLSTM.The BiLSTM approach mitigates the issues of gradient disappearance and expansion without compromising accuracy, an improvement over traditional RNN and LSTM methods.The performance of four distinct feature domains, namely the Time Domain (TD), Discrete Cosine Transform (DCT), Discrete Wavelet Transform (DWT), and Wavelet Scattering Transform (WST), is evaluated with regards to their efficacy in ECG signal reconstruction from PPG data using the ConvBiLSTM model.Superiority of the proposed DNN combination over individual DNNs was demonstrated through comparison of ConvBiLSTM performance.Simulation results reveal that our method achieves superior root mean square error (RMSE) in ECG signal reconstruction across all feature domains.Given the widespread application of RMSE in ECG monitoring, this metric was chosen as the key evaluation criterion.The combination of WST for PPG signals and DWT for ECG signal features demonstrated the lowest RMSE at 0.0654, indicating the potential of this approach for effective ECG signal reconstruction using PPG data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».