
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种基于变换器图神经网络框架的网络孪生驱动的个性化呼吸监测系统
《Scientific Reports》:A transformer-graph neural network framework for cyber twin-driven personalized respiratory monitoring
【字体: 大 中 小 】 时间:2026年05月01日 来源:Scientific Reports 3.9
编辑推荐:
摘要 保持健康的呼吸对健康至关重要,可以预防许多严重的呼吸系统并发症,其中一些并发症甚至可能导致死亡。患有慢性呼吸系统疾病(如哮喘、慢性阻塞性肺病、睡眠呼吸暂停)的患者需要持续的个人化、以患者为中心的非医院监测,以便进行诊断和适当的治疗。许多现有的以患者为中心
保持健康的呼吸对健康至关重要,可以预防许多严重的呼吸系统并发症,其中一些并发症甚至可能导致死亡。患有慢性呼吸系统疾病(如哮喘、慢性阻塞性肺病、睡眠呼吸暂停)的患者需要持续的个人化、以患者为中心的非医院监测,以便进行诊断和适当的治疗。许多现有的以患者为中心的身体健康监测系统由于灵活性有限而存在不足之处,目前尚未发明出能够整合多种传感器数据源、实现实时监测并记录健康状况的系统。本文提出了一种呼吸监测系统,该系统利用“网络孪生”(Cyber Twin, CT)模型和图神经网络(Graph Neural Network, GNN)功能,基于多源数据进行个体相关性分析,并采用Transformer架构对时间序列数据中的长期行为变化进行预测。“网络孪生”能够持续更新每个个体的生理状态,并预测如果进行治疗会产生的结果。本研究提供了完整的实验结果,将所提出的Transformer-GNN模型与LSTM-CNN模型进行了对比,以评估其实验效果,结果表明该模型的性能更优。与传统网络相比,该模型在呼吸频率(RR)估计方面的绝对误差减少了8-13%,多模态呼吸数据集之间的F1分数提高了3.1-6.8分。图表展示了所有的实验结果和对比情况。
生物通微信公众号