MAPress
مقاله PG-LRF: جریان تصحیح شده نهفته با راهنمایی فیزیولوژیکی برای تولید ECG از PPG الکترو-همودینامیک

مقاله PG-LRF: جریان تصحیح شده نهفته با راهنمایی فیزیولوژیکی برای تولید ECG از PPG الکترو-همودینامیک

الکتروکاردیوگرافی (ECG) استاندارد بالینی برای ارزیابی قلب است، اما به سخت‌افزار اختصاصی نیاز دارد که برای نظارت روزمره مقیاس‌پذیر نیست. فوتوپلتیسموگرافی (PPG) در دستگاه‌های پوشیدنی رایج است، اما فاقد ...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

PG-LRF: جریان تصحیح شده نهفته با راهنمایی فیزیولوژیکی برای تولید ECG از PPG الکترو-همودینامیک

PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation

نویسندگان: Xiaoda Wang, Minxiao Wang, Kaiqiao Han, Defu Cao, Ching Chang, Yidan Shi, Runze Yan, Xiao Luo, Yan Liu, Xiao Hu, Yizhou Sun, Wei Wang, Carl Yang

شناسه منبع: arxiv / 2605.12541

دسته: Signal Processing,Artificial Intelligence,Machine Learning

چکیده (فارسی)

الکتروکاردیوگرافی (ECG) استاندارد بالینی برای ارزیابی قلب است، اما به سخت‌افزار اختصاصی نیاز دارد که برای نظارت روزمره مقیاس‌پذیر نیست. فوتوپلتیسموگرافی (PPG) در دستگاه‌های پوشیدنی رایج است، اما فاقد مورفولوژی تشخیصی خاص ECG بوده و تحت تأثیر نویز حرکت و سنسور قرار می‌گیرد. تولید ECG از PPG با هدف پر کردن این شکاف، از طریق بازیابی مورفولوژی و زمان‌بندی الکتریکی از سیگنال‌های نبض محیطی انجام می‌شود. با این حال، روش‌های موجود عمدتاً بر هم‌ترازی آماری و تولید مبتنی بر داده تکیه دارند. این روش‌ها در سازماندهی صریح فضای پنهان پیرامون عوامل الکترو-همودینامیک آگاه از فیزیولوژی و فاقد محدودیت‌های دینامیک فیزیولوژیکی پیش‌رو هستند. برای پرداختن به این چالش‌ها، ما PG-LRF، یک چارچوب جریان اصلاحی پنهان با راهنمایی فیزیولوژیکی را پیشنهاد می‌کنیم. PG-LRF یک شبیه‌ساز الکترو-همودینامیک معرفی می‌کند که ECG و PPG را از طریق دینامیک فاز قلبی مشترک مدل‌سازی می‌کند. با هدایت این شبیه‌ساز، یک خودرمزگذار آگاه از فیزیولوژی، فضای پنهان الکترو-همودینامیک سازمان‌یافته‌ای را یاد می‌گیرد. سپس ما این هدایت شبیه‌ساز را در یک جریان پنهان پنهان شرطی شده با PPG ادغام می‌کنیم و در طول انتقال مولد، سازگاری مورفولوژی سمت ECG و سازگاری همودینامیک پیش‌رو از ECG به PPG را اجبار می‌کنیم. آزمایش‌ها بر روی مجموعه داده بزرگ MC-MED نشان می‌دهد که PG-LRF تولید ECG از PPG را به طور قابل توجهی بهبود می‌بخشد و طبقه‌بندی بیماری‌های قلبی عروقی را در مراحل بعدی بهتر می‌کند، که توانایی آن را در تولید ECGهای هم وفادار به سیگنال و هم از نظر فیزیولوژیکی قابل قبول در مسیر همودینامیک ECG به PPG اثبات می‌کند.

Abstract (English)

Electrocardiography (ECG) is the clinical standard for cardiac assessment but requires dedicated hardware that does not scale to daily-life monitoring. Photoplethysmography (PPG) is ubiquitous in wearables but lacks ECG-specific diagnostic morphology and is corrupted by motion and sensor noise. PPG-to-ECG generation aims to bridge this gap by recovering electrical morphology and timing from peripheral pulse signals. However, existing methods largely rely on statistical alignment and data-driven generation. They fail to explicitly structure the latent space around physiology-aware electro-hemodynamic factors and lack constraints from forward physiological dynamics. To address these challenges, we propose PG-LRF, a physiology-guided latent rectified flow framework. PG-LRF introduces an electro-hemodynamic simulator that co-models ECG and PPG through shared cardiac phase dynamics. Guided by this simulator, a Physiology-Aware AutoEncoder learns a structured electro-hemodynamic latent space. Then we integrate this simulator guidance into a PPG-conditioned latent rectified flow, enforcing ECG-side morphology consistency and ECG-to-PPG forward hemodynamic consistency during generative transport. Experiments on the large-scale MC-MED dataset demonstrate that PG-LRF significantly improves PPG-to-ECG generation and downstream cardiovascular disease classification, proving its ability to generate ECGs that are both signal-faithful and physiologically plausible under the ECG-to-PPG hemodynamic pathway

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.