基于U-Net与时间加权多任务双向LSTM的无线体传感器网络生命体征智能监测方法

《Scientific Reports》：Fine-tuned U-Net and time-weighted bi-directional LSTM for low-latency cardiopulmonary monitoring in WBSN data

　　

摘要

无线体传感器网络（WBSNs）的发展彻底改变了智能应急监控（SEM）领域，使得能够持续且无创地监测血压、血氧饱和度（SpO₂）、呼吸频率甚至二氧化碳（CO₂）浓度等生命体征。然而，对短暂但具有重要临床意义的事件进行及时且精确的检测仍然是一个巨大的统计学挑战，因为传统深度学习方法的灵敏度和特异性较低。此类关键的实验警报通常伴随着较高的预测错误率，因此在使用U-Net架构结合LSTM层进行时间上下文建模时泛化能力较差。为了克服这些弱点，提出了一种经过统计学优化的混合方法，首先通过微调的U-Net框架进行空间特征提取，并结合时间加权多任务双向长短期记忆网络（TW-MT-BiLSTM）进行时序建模。三个增强项被认为具有统计学显著性，包括：(1) 基于注意力的时间加权机制，将更高的关注度限制在重要的时间段；(2) 双向LSTM通过利用过去和未来的上下文信息实现更好的推断；(3) 多任务学习同时预测血压、血氧饱和度（SpO₂）和呼吸频率变量，从而降低方差并增强整体预测的鲁棒性。在包括重症监护医疗信息库（MIMIC-III）和PhysioNet等基准数据集上进行了一系列实验，并以平均绝对误差（MAE）、均方根误差等统计性能指标进行了比较，结果证明了所提方法优于现有方法。