近日，我院青年英才余宝贤指导2020级电路与系统专业研究生麦耀宗以第一作者身份在《IEEE Journal of Biomedical and Health Informatics》（中科院工程技术大类二区Top，医学信息小类一区，2021年影响因子5.772）发表论文《Non-contact Heartbeat Detection Based on Ballistocardiogram Using UNet and Bidirectional Long Short-Term Memory》，其中我校余宝贤副研究员和张涵教授为共同通讯作者，华南师范大学为第一单位。
近年来，心血管疾病已经成为全球致死的主要原因，长期监测心率和心率变异性对预防和早期发现心血管疾病具有重要意义。随着传感器和信号处理技术不断发展，起源于1877年的心冲击图(BCG)信号再度受到学术界和工业界的广泛关注，在长期居家健康监测中的应用成为研究热点。相对于传统心电图（ECG）监测方案，BCG在操作性、舒适度和成本上具有明显优势。然而，非直接接触式的采集方式以及个体化差异决定了BCG是一种微弱非稳健信号，其心搏定位存在巨大挑战。
本研究工作提出了一种融合U-Net和双向长短时记忆神经网络的深度学习模型进行BCG信号心博定位。具体来讲，该模型通过调节U-Net模型编码-解码层数自适应挖掘BCG功率谱主瓣特征，并结合双向长短时记忆神经网络提取逐次心搏的时序特性，强化对BCG信号共性特征提取能力。本研究工作通过对43位受试者（年龄范围19-61岁，心率范围43-140次/分钟）BCG信号与金标准ECG的一致性分析，验证了所提心搏定位方法的有效性和优越性，平均准确率达到98.64%，平均绝对间期误差仅为7.96毫秒。此外，本研究工作从正常心率，快速心率，短时心率变化，不同卧姿、信号质量和BMI等多个维度下充分验证了所提心搏定位方法在各类实际应用场景中的鲁棒性和泛化能力，展示了该模型在BCG心搏定位领域的应用前景。该研究成果将促进长期居家低负荷健康监测的发展。
本研究工作得到了广东省基础与应用基础研究、教育部“蓝火计划”、广州市科技计划以及广东省企业科技特派员等项目的支持。
论文链接：https://ieeexplore.ieee.org/document/9743213