基于无创波形分析的模拟失血应急分诊:一种新型动态下体负压模型的实验研究
信号处理
2023-03-13 v1 人工智能
机器学习
摘要
先进的无创生理信号波形分析能在多大程度上诊断低血容量程度,仍未被充分探索。本研究探讨了一种深度学习(DL)框架对正在进行中的低血容量水平进行分类的判别能力,该低血容量通过新型动态下体负压(LBNP)模型在健康志愿者中模拟。我们采用动态 LBNP 方案,而非传统模型中以可预测的阶梯式、渐进下降方式施加 LBNP。该动态 LBNP 版本有助于规避时间依赖性带来的问题,因为在真实院前环境中,血管内血容量可能因容量复苏而波动。一种用于三分类的监督式基于 DL 的框架通过分割底层无创信号并将分段标注以相应 LBNP 目标水平来实现。所提出的双输入 DL 模型以各波形段上提取的时频表示进行训练,将每段分类为血容量丢失:1 类(轻度);2 类(中度);或 3 类(重度)。首先,DL 模型末端通过双输入晚期融合得到的潜空间有助于提升分类性能。在按受试者分层的三折交叉验证设置中评估时,实验结果表明 PPG 可作为血容量变化的潜在替代指标,平均分类性能为 AUROC: 0.8861、AUPRC: 0.8141、-score:72.16%、灵敏度:79.06%、特异度:89.21%。我们提出的 PPG 信号 DL 算法展示了利用这一具挑战性的 LBNP 设置捕获与出血及液体复苏相关的生理反应复杂相互作用的可能性。
引用
@article{arxiv.2303.06064,
title = {Non-invasive Waveform Analysis for Emergency Triage via Simulated Hemorrhage: An Experimental Study using Novel Dynamic Lower Body Negative Pressure Model},
author = {Naimahmed Nesaragi and Lars Øivind Høiseth and Hemin Ali Qadir and Leiv Arne Rosseland and Per Steinar Halvorsen and Ilangko Balasingham},
journal= {arXiv preprint arXiv:2303.06064},
year = {2023}
}