CLEP-GAN: an innovative approach to subject-independent ECG reconstruction from PPG signals
Notice bibliographique
Résumé
BACKGROUND: Reconstructing ECG signals from PPG measurements is a critical task for non-invasive cardiac monitoring. While several public ECG-PPG datasets exist, they lack the diversity found in image datasets, and the data collection process often introduces noise, making ECG reconstruction from PPG signals challenging even for advanced machine learning models. RESULTS: We propose a novel ODE-based method for generating synthetic ECG-PPG pairs to enhance training diversity. Building on this, we introduce CLEP-GAN, a subject-independent PPG-to-ECG reconstruction framework that integrates contrastive learning, adversarial learning, and attention gating. CLEP-GAN achieves performance that matches or surpasses current state-of-the-art methods, particularly in reconstructing ECG signals from unseen subjects. Evaluation on real-world datasets (BIDMC and CapnoBase) confirms its effectiveness. Additionally, our analysis shows that demographic factors such as sex and age significantly impact reconstruction accuracy, emphasizing the importance of incorporating demographic diversity during model training and data augmentation. CONCLUSIONS: Our method produces synthetic ECG-PPG pairs with RR interval distributions closely aligned with their real counterparts and shows strong potential to simulate diverse rhythms such as regular sinus rhythm (RSR), sinus arrhythmia (SA), and atrial fibrillation (AFib). Furthermore, CLEP-GAN demonstrates robust performance on both synthetic and real datasets, achieving near-perfect reconstruction in synthetic settings and competitive results on real data. These findings highlight CLEP-GAN's promise for reliable, non-invasive ECG monitoring in clinical applications.
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 | 0,001 |
| 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) | 0,000 | 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 ».