شبکه کانولوشنی و یادگیری چندنمونه ای برای برآورد غیرتماسی ضربان قلب از اطلاعات حالت کانال در شرایط داده محدود

پایش غیرتماسی ضربان قلب با استفاده از اطلاعات حالت کانال (CSI) سیگنال وای فای، به عنوان رویکردی نوظهور در حسگری زیست پزشکی، امکان نظارت پیوسته بر وضعیت فیزیولوژیکی افراد را بدون نیاز به تماس فیزیکی یا تجهیزات پوشیدنی فراهم می سازد. بااین حال، تغییرپذیری قابل توجه الگوهای CSI میان افراد مختلف و کمبود داده های برچسب دار، توسعه مدل های یادگیری عمیق تعمیم پذیر را با چالش جدی مواجه می کند. در این پژوهش، یک چارچوب مبتنی بر یادگیری داده محدود برای تخمین ضربان قلب از سیگنال های CSI ارائه می شود که از ساختارهای یادگیری شباهت محور (Siamese) و رابطه محور (Relation-based) بهره می گیرد. در این چارچوب، شبکه های عصبی کانولوشنی SE-DenseNet، SEResNet۱۰ و MobileNetV۲ به عنوان رمزگذار ویژگی به کار گرفته شده اند تا نمایش های تمایز بخش از سیگنال های زمانی و طیف نگارهای فرکانسی CSI استخراج شود. سپس، با استفاده از تعداد محدودی نمونه پشتیبان، مدل قادر است به صورت سریع با توزیع داده سوژه جدید تطبیق یابد، بدون آنکه دچار بیش برازش شود. با ارزیابی به روش LOSO کمترین میزان خطا bpm ۳۸/۱ در روش شباهت محور با رمزگذار ویژگی SE-DenseNet حاصل گردید. این طراحی امکان تحلیل نقش هم ترازی میان معماری شبکه، نمایش زمانی یا فرکانسی CSI و راهبرد یادگیری داده محدود را در توسعه سامانه های پایش غیرتماسی ضربان قلب فراهم می سازد.

کلیدواژه ها:

ضربان قلب ، یادگیری داده محدود ، پایش غیرتماسی ، اطلاعات حالت کانال ، سنجش مبتنی بر وای فای