面向三类心律分类的 PPG 和加速度计信号的运动鲁棒性多模态融合
机器学习
2025-11-04 v1
摘要
房颤（AF）是导致中风和死亡的主要原因，尤其在老年患者中尤为突出。佩戴式光电血氧谱仪（PPG）可实现非侵入、持续的节律监测，但因运动伪影和生理噪声而高度易受影响。许多现有方法仅依赖单通道 PPG，局限于二分类房颤检测，往往难以捕捉临床实践中遇到的更广泛范围的心律失常。我们引入 RhythmiNet，一个增强了时序和通道注意力模块的残差神经网络，联合利用 PPG 和加速度计（ACC）信号。该模型实现三类心律分类：房颏、正常脉搏（SR）和其他。为评估在不同运动条件下的鲁棒性，测试数据按基于加速度计的运动强度分位数分层，且未排除任何数据段。RhythmiNet 相较于仅使用 PPG 的基线实现了 4.3% 的宏观 AUC 提升。此外，性能还超过了基于手工 HRV 特征的逻辑回归模型高出 12%，凸显了在噪声较大的真实临床数据中多模态融合和注意力机制学习的优势。
引用
@article{arxiv.2511.00949,
title = {Motion-Robust Multimodal Fusion of PPG and Accelerometer Signals for Three-Class Heart Rhythm Classification},
author = {Yangyang Zhao and Matti Kaisti and Olli Lahdenoja and Tero Koivisto},
journal= {arXiv preprint arXiv:2511.00949},
year = {2025}
}
备注
Accepted for publication in the Companion of the 2025 ACM International Joint Conference on Pervasive and Ubiquitous Computing and the 2025 International Symposium on Wearable Computers (UbiComp/ISWC 2025 Companion). 5 pages, 3 figures. Author's accepted manuscript (AAM)