利用基于分数的生成扩散模型对运动干扰导致的地震心电图信号进行去噪处理

《IEEE Journal of Biomedical and Health Informatics》：Denoising Motion-Corrupted Seismocardiogram Signals Using Score-Based Generative Diffusion Models

非侵入式监测心血管参数对早期识别高危人群至关重要，但现有穿戴设备难以有效捕捉心机械功能。心冲击图（SCG）具有反映主动脉瓣开闭等关键血流动力学参数的潜力，但易受运动伪影影响，尤其在剧烈运动或高温环境下。本研究提出基于生成扩散模型的评分框架，利用SCG的周期性特征构建概率先验，通过多生成平均提升运动伪影抑制效果。实验表明，在健康受试者运动数据集上，主动脉瓣开闭（AO）和关闭（AC）的均方误差分别为3.74ms和7.67ms，优于先前方法，且在真实环境测试中展现良好泛化能力。

　　

摘要：

无创监测血流动力学参数对于评估心血管功能至关重要，这有助于早期识别高风险个体并预防伤害。然而，目前使用心电图或光电容积描记法的可穿戴设备在提供心血管健康信息方面存在局限性，尤其是在捕捉心脏机械功能方面。地震心电图（SCG）作为一种心脏机械信号，在填补这一空白方面展现出了潜力，因为它具有反映关键血流动力学参数的特征。然而，SCG容易受到运动伪影的影响，这限制了其在实际应用中的有效性——尤其是在需要进行物理活动或处于高温环境时，由于受伤风险增加，监测变得尤为关键。在这些环境中，运动伪影的变化较大且幅度较高，因此需要有效的运动伪影去除算法。在这项工作中，我们提出了一种基于分数的生成扩散模型框架，以在日常生活环境中获得高质量的SCG信号。我们利用清洁SCG心跳的周期性来学习一个概率空间，该概率空间可以作为先验知识，用于从受干扰的观测数据中生成无运动伪影的SCG信号。此外，通过多代平均方法进一步提高了生成质量。我们在波形层面以及使用健康受试者运动数据集进行特征提取准确性分析时验证了模型的性能。在两个提取的SCG特征（主动脉瓣开启（AO）和关闭（AC）上，我们分别实现了3.74毫秒和7.67毫秒的平均绝对误差，优于以往研究中的其他信号处理和深度学习方法。此外，我们在日常生活环境中收集的未见数据集上展示了模型的去噪能力，证明了其泛化能力。这样的去噪系统有潜力集成到可穿戴设备中，从而实现可靠的SCG信号采集，以获得更准确的血流动力学指标。

显示更多

引言

慢性及急性心脏疾病仍然是导致住院和死亡的主要原因之一。一个主要原因是缺乏能够有效跟踪患者病情进展的连续性院外监测系统。这种困难很大程度上源于血流动力学变化的复杂性，这些变化难以监测。在心力衰竭（HF）等慢性疾病中，当前的监测方法（如每日体重监测或生命体征监测）缺乏特异性且频率较低，导致疾病管理不佳和再住院率增加。对于由出血或中暑引起的急性疾病，病情进展可能因个体差异而异，需要根据伤害的严重程度进行个性化分诊和干预。虽然心率、血压或核心温度等生命体征[1]、[2]常被使用，但由于身体的代偿机制[3]，它们往往无法准确反映病情进展。环境压力因素（如炎热天气或剧烈运动）也可能进一步加重现有病情，因此迫切需要在院外环境中进行连续监测。然而，能够通过无创监测手段更有效地评估患者病情进展的系统仍然有限，这使得这一领域成为研究的热点。