面向运行环境中实时生理监测的稳健基于AI的ECG R波峰检测

《Frontiers in Psychology》:Toward robust AI-based ECG R-peak detection for real-time physiological monitoring in operational environments

【字体: 大 中 小 】 时间:2026年08月07日 来源:Frontiers in Psychology 3.8

编辑推荐:

  从心电图(ECG)中可靠估计心率变异性(HRV)取决于R波峰的准确检测,而在以噪声、运动伪影和监测级传感器配置为特征的运行环境中,这项任务变得极具挑战性。尽管经典检测算法在受控条件下表现良好,但在现实环境中的稳健性往往受限。本研究探讨了基于人工智能(AI)的方

  
从心电图(ECG)中可靠估计心率变异性(HRV)取决于R波峰的准确检测,而在以噪声、运动伪影和监测级传感器配置为特征的运行环境中,这项任务变得极具挑战性。尽管经典检测算法在受控条件下表现良好,但在现实环境中的稳健性往往受限。本研究探讨了基于人工智能(AI)的方法能否在嘈杂的运行ECG记录中实现稳健的R波峰检测,从而为下游HRV分析提供可靠基础。研究人员开发了一种生理约束标注框架,以生成用于评估运行ECG记录的时间一致参考标注,同时模型训练完全使用MIT-BIH心律失常数据库,并结合来自MIT-BIH噪声压力测试数据库的噪声增强数据。研究评估了两种基于AI的方法:一种双向长短期记忆(LSTM)网络,以及一种带有特定任务输出层的基于Transformer的时序基础模型。模型性能使用了MIT-BIH心律失常数据库和包含在运行条件下采集的30名参与者监测级ECG记录的真实世界数据集进行评估。表现最优的基于AI的模型实现了近乎完美的基准性能,并在嘈杂条件下保持了高准确率。在运行数据上,LSTM模型实现了最佳总体性能,大幅优于经典Pan–Tompkins实现方法及其他AI架构。额外的验证分析表明,模型在各参与者中表现一致,RR间期误差低,且在重复训练运行中变异性极小,支持了所提方法的稳健性和可重复性。结果表明,基于AI的R波峰检测在嘈杂的监测级ECG记录中能保持生理一致的逐拍计时,为下游HRV分析提供了稳健基础。本研究重点关注运行性、非临床环境中的稳健性,而非诊断性ECG解读。这些发现支持基于生理有效基准数据训练的AI ECG分析,可作为复杂运行环境中实时生理监测的稳健且可重复的基础。
在航空、国防等高要求人机系统领域,连续评估操作员的状态对于维持安全和优化性能至关重要。心电图(ECG)是推导心率(HR)和心率变异性(HRV)作为自主神经系统和认知负荷非侵入性标志物的基础。HR和HRV指标的可靠性本质上取决于ECG信号中R波峰的准确检测。在运行环境中,监测级ECG记录经常受到运动伪影、振幅变异性和非平稳噪声的影响,这使得检测变得尤为困难。经典的R波峰检测算法(如Pan-Tompkins方法)在受控临床条件下表现良好,但它们依赖固定阈值和手工特征,在嘈杂和异构环境中的稳健性受限。近年来,人工智能(AI)在深度学习和时序基础模型方面的进展为解决这些局限性提供了新机遇。然而,关键挑战在于确保学习到的表征能反映真实的生理动力学,而非伪影驱动的信号模式,且最终目标是实现无需人工干预的可靠自动化运行。为此,研究人员开展了本研究,旨在探究基于基准生理数据训练的AI R波峰检测模型能否在嘈杂的、运行级ECG记录中实现足够的稳健性。这项研究成果已发表在《Frontiers in Psychology》期刊上。研究人员得出结论,基于AI的R波峰检测在维持逐拍计时的生理一致性方面表现优异,为复杂运行环境中的实时生理监测奠定了可靠且可重复的基础。

在技术方法方面,研究人员首先建立了一个生理约束标注框架,以在处理噪声和伪影的同时保留真实的生理计时。模型训练完全使用公开的MIT-BIH心律失常数据库,并结合来自MIT-BIH噪声压力测试数据库的合成噪声进行数据增强。真实世界评估数据则来源于瑞典国防研究机构(FOI)的运行数据集,该队列包含30名在虚拟现实(VR)环境暴露下采集监测级ECG的参与者。在模型选择上,研究人员评估了两类架构:一个是包含双向LSTM层的循环神经网络,另一个是预训练的时序基础模型,并为其配置了卷积神经网络(CNN)和LSTM两种特定的任务输出层。

在研究结果方面,论文通过多项测试得出了具体结论:

基准数据性能:通过在MIT-BIH心律失常数据库上的评估,研究发现表现最优的AI模型在纯净数据上实现了近乎完美的性能。在加入噪声的条件下,经典算法性能大幅下降,而AI模型依然保持了高检测准确率,表明学习到的表征对非平稳噪声具有鲁棒性。

运行数据性能:在包含大量运动伪影和噪声的FOI数据集上进行评估时,LSTM模型取得了最佳总体性能,兼具高精确率和高召回率。Mantis-8M + CNN也表现出稳健性,而经典Pan-Tompkins算法的精确率显著下降。这表明AI检测到的R波峰序列在运行噪声下仍保持生理一致的逐拍计时。

模型比较:综合对比显示,LSTM模型在受控和运行条件下始终保持最均衡且最高的总体性能,表明对序列依赖性的建模在区分真实R波峰和噪声方面至关重要。虽然基础模型在适配后也能支持稳健检测,但其有效性取决于对目标域的适当调整。

统计与运行验证:通过计算95%置信区间(CI)和受试者间变异性分析,发现LSTM模型在不同信号质量下表现稳定,且RR间期的平均绝对误差(MAE)最低。这支持了该方法对下游依赖准确RR间期估计的生理分析的适用性。

计算性能与可重复性:通过测量推理时间和多次随机初始化重训,研究发现LSTM模型在处理完整数据集时耗时最短,且100次重训的F1分数变异性极小,展示了优异的计算效率和可重复性。

对HRV分析的启示:由于AI模型具有高召回率和强精确率,能最大限度减少漏检和伪影误检,因此能够生成稳定且生理一致的RR间期序列,为嘈杂真实环境中的HRV计算提供可靠基础。

在讨论部分,研究人员总结了本研究的核心发现。研究表明,结合生理一致的标注策略和现代机器学习架构,不仅在受控基准条件下,在具有大量噪声的监测级ECG记录中也能实现高检测性能。这强调了训练数据的生理有效性对模型学习的关键作用,只要在生理有效数据上训练,AI模型即可在不需域特定重训或部署期间人工干预的情况下有效泛化。从应用角度看,准确的R波峰检测是实现连续运行生理监测的前提,LSTM模型在准确性和计算效率间展现了最佳平衡。虽然基础模型展现了跨域特征提取潜力,但LSTM这种显式时间建模架构在当前任务中更具优势。研究的局限性在于样本量有限,且未直接量化对下游HRV指标的影响。未来的研究应向完全集成的多模态实时监测系统发展。

最后,研究得出结论,使用生理有效的基准训练数据,可以在嘈杂的运行现实ECG环境中实现稳健的AI R波峰检测。在所有评估数据集中,LSTM模型表现最为稳健一致,并在监测级条件下显著改善了逐拍计时的生理一致性,大幅降低了RR间期误差。这些成果支持将基于AI的ECG分析作为复杂运行环境中实时生理和认知状态监测的可重复且可靠的基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号