基于生理模型的神经网络用于建模体力活动中的代谢-心率关系
机器学习
2026-01-19 v2 医学物理
摘要
心力衰竭（HF）是一个重大的全球健康挑战，早期检测可提供改善预后的机会。心率（HR）的异常，特别是日常活动中的异常，可能作为HF风险的早期指标。然而，现有的HF检测心率监测工具受限于其对群体平均值的依赖。个体化HR的估计充当动态数字孪生，能够精确追踪心脏健康生物标志物。当前的心率估计方法分为生理驱动模型和纯数据驱动模型两类，在效率和可解释性方面存在困难。本研究提出了一种新颖的基于生理模型的神经网络（PMB-NN）框架，用于基于日常体力活动中氧耗量（VO2）数据的HR估计。该框架在12名参与者的个体数据集上进行训练和测试，参与者进行的活动包括静息、骑行和跑步。通过将源自所提出的简化人体运动生理模型（PM）的生理约束嵌入神经网络训练过程，PMB-NN模型在遵循人体生理原理的同时实现了高估计精度，中位R得分为0.8，均方根误差为8.3 bpm。比较统计分析表明，PMB-NN达到了与基准神经网络模型相当的性能，同时显著优于传统生理模型（p=0.002）。此外，我们的PMB-NN擅长识别PM的个性化参数，使PM能够生成合理的HR估计。所提出的框架结合从身体运动精确估计VO2的系统，为日常体力活动中的个性化和实时心脏监测开辟了未来可能性。
引用
@article{arxiv.2506.10144,
title = {Physiological-model-based neural network for modeling the metabolic-heart rate relationship during physical activities},
author = {Yaowen Zhang and Libera Fresiello and Peter H. Veltink and Dirk W. Donker and Ying Wang},
journal= {arXiv preprint arXiv:2506.10144},
year = {2026}
}