用于 CPR 生物医学信号处理的多模态无监督机器学习方法
信号处理
2024-11-20 v1 人工智能
机器学习
摘要
心肺复苏(CPR)是一项关键的挽救生命的干预措施, 旨在恢复心脏骤停或呼吸衰竭患者的血液循环和呼吸。在 CPR 期间对生物医学信号进行准确和实时的分析对于从院前阶段到重症监护室(ICU)的监测和决策至关重要。然而, CPR 信号经常被噪声和伪影破坏, 使得精确解释具有挑战性。传统的去噪方法(如滤波器)难以适应 CPR 信号中存在的多变且复杂的噪声模式。鉴于 CPR 的高风险性质, 快速和准确的反应可能决定生死, 迫切需要更鲁棒和自适应的去噪技术。在这种情况下, 无监督机器学习(ML)方法尤为宝贵, 因为它消除了对带标签数据的依赖, 而在紧急情况下带标签数据可能稀缺或不切实际。本文介绍了一种使用多模态框架对 CPR 信号进行去噪的新型无监督 ML 方法, 该框架利用多个信号源来增强去噪过程。所提出的方法不仅改善了噪声降低和信号保真度, 还保留了关键的信号间相关性(0.9993), 这对于下游任务至关重要。此外, 在无监督背景下, 它在信噪比(SNR)和峰值信噪比(PSNR)方面优于现有方法, 使其对于实时应用非常有效。多模态的整合进一步增强了系统对 CPR 以外各种生物医学信号的适应性, 改进了自动 CPR 系统和临床决策。
引用
@article{arxiv.2411.11869,
title = {A Multi-Modal Unsupervised Machine Learning Approach for Biomedical Signal Processing in CPR},
author = {Saidul Islam and Jamal Bentahar and Robin Cohen and Gaith Rjoub},
journal= {arXiv preprint arXiv:2411.11869},
year = {2024}
}