ECG与PCG之间的跨学习：探索双模机电心脏波形的共有与独有特征
机器学习
2025-06-13 v1 人工智能
信号处理
摘要
同步心电图（ECG）和心音图（PCG）分别捕捉心脏的电活动和机械活动，为心脏功能提供了全面的多模态视角。然而，这些信号的独特与重叠信息内容，以及它们在相互重建和生物标志物提取方面的潜力，仍不完全清楚，尤其是在不同生理条件和不同个体之间。在本研究中，我们使用 EPHNOGRAM 数据集——包含静息和运动期间的同步 ECG-PCG 记录——系统地研究了 ECG 和 PCG 的共有与独有特征。我们采用一系列线性和非线性机器学习模型，包括非因果 LSTM 网络，从一种模态重建另一种模态，并分析因果性、生理状态和被试间变异性的影响。我们的结果表明非线性模型，特别是非因果 LSTM，提供了更优的重建性能，从 PCG 重建 ECG 比反向重建更为可行。运动和被试间场景带来了显著挑战，但利用瞬时幅度特征的包络建模显著提高了跨模态学习的跨被试泛化能力。此外，我们证明临床相关的 ECG 生物标志物，如 fiducial points 和 QT 间期，可以从 PCG 在跨被试场景中进行估计。这些发现推进了我们对机电心脏模态之间关系的理解，无论是在波形特征方面还是在心脏事件时序方面，并有望应用于新型多模态心脏监测技术。
引用
@article{arxiv.2506.10212,
title = {Cross-Learning Between ECG and PCG: Exploring Common and Exclusive Characteristics of Bimodal Electromechanical Cardiac Waveforms},
author = {Sajjad Karimi and Amit J. Shah and Gari D. Clifford and Reza Sameni},
journal= {arXiv preprint arXiv:2506.10212},
year = {2025}
}