从心电图提取分数吸气时间

肺部及气道健康的无创居家监测可实现哮喘和慢性阻塞性肺疾病（COPD）等呼吸系统疾病的早期检测与追踪。多种已有方法通过从心电图（ECG）信号估计呼吸率并提取呼吸波形，以隐蔽方式监测肺部健康。遗憾的是，这些方法未能准确捕获呼吸周期相位特征，导致对肺部健康的描述不具特异性且不完整。本文引入一种算法，将问题构建为二分类分割任务，从而从ECG信号提取更多呼吸信息。除呼吸率（RR）外，该算法推导出分数吸气时间（FIT）——一种由呼吸相位信息得到的气道阻塞直接度量。该算法基于门控循环神经网络，从单导联ECG信号推断关键呼吸信息。我们在MIMIC数据集的5名受试者和CEBS数据库的5名受试者上评估了算法性能。我们的算法在估计呼吸率方面保持优异性能，并优于当前提取呼吸周期相位及FIT/吸呼比（IER）的算法。在MIMIC数据集上，算法计算FIT的均方根误差（RMSE）为0.06（取值介于0.2–0.6），呼吸率RMSE为0.54次/分钟（bpm）（取值介于8–28次/分钟（bpm））；在CEBS数据集上，FIT RMSE为0.11，RR RMSE为0.66 bpm。