ارزیابی روش‌های پردازش سیگنال و یادگیری عمیق برای استخراج فواصل ضربان به ضربان از سیگنال بالیستوکاردیوگرافی

بیماری‌های قلبی-عروقی یکی از اصلی‌ترین عامل مرگ‌ومیر در جهان هستند و پایش مداوم و غیرتهاجمی شاخص‌های قلبی برای تشخیص زودهنگام و مدیریت این بیماری‌ها حیاتی است. سیگنال بالیستوکاردیوگرافی  (bcg)، که بازتابی از نیروهای مکانیکی ناشی از فعالیت قلبی است، پتانسیل بالایی برای پایش سلامت قلب در محیط‌های روزمره و بدون نیاز به اتصال الکترود به بدن را فراهم می‌کند. با این حال، ماهیت پیچیده و حساس به نویز این سیگنال، استخراج دقیق پارامترهای کلیدی مانند فواصل ضربان به ضربان (ibi)  را به یک چالش تبدیل کرده است. هدف اصلی این پژوهش، ارزیابی جامع پنج رویکرد متفاوت پردازش سیگنال و یادگیری عمیق برای استخراج دقیق ibi از سیگنال bcg و اعتبارسنجی آن‌ها با سیگنال مرجع الکتروکاردیوگرام (ecg) است. بدین منظور، از یک مجموعه داده عمومی شامل سیگنال‌های همزمان bcg و ecg از 40 شرکت‌کننده استفاده شد. در این مطالعه روش‌های تخمین‌گر فاصله‌ای محلی پیوسته (clie)، روش clie با پنجره تطبیقی، شبکه عصبی پرسپترون چندلایه  (mlp)، شبکه عصبی کانولوشنال (cnn) و شبکه عصبی حافظه طولانی کوتاه‌مدت دوطرفه (bilstm) ارزیابی‌شده است. نتایج ارزیابی با استفاده از معیارهای میانگین خطای مطلق (mae)، صدک 95 خطا و ضریب همبستگی نشان داد که روش clie با mae برابر با 28.7 میلی‌ثانیه و بالاترین ضریب همبستگی (77/0) بهترین عملکرد کلی را در دقت تخمین ibi داشته است. از سوی دیگر، روش bilstm  با وجود خطای میانگین کمی بالاتر (40.1 میلی‌ثانیه)، با ثبت کمترین مقدار برای صدک 95 خطا (9.5٪)، پایداری و قابلیت اطمینان بالایی در کنترل خطاهای بزرگ از خود نشان داد. روش‌های mlp و cnn عملکردی متوسط و روش پنجره تطبیقی ضعیف‌ترین عملکرد را داشتند. یافته‌های این تحقیق نشان می‌دهد که استخراج دقیق ibi از سیگنال bcg امری امکان‌پذیر است و روش‌های clie و bilstm به ترتیب به دلیل دقت بالا و پایداری مناسب، گزینه‌های امیدوارکننده‌ای برای توسعه سیستم‌های پایش سلامت هوشمند و خانگی هستند.

evaluation of signal processing and deep learning methods for inter-beat interval extraction from ballistocardiography signals

cardiovascular diseases remain the leading cause of mortality worldwide, highlighting the critical need for continuous and non-invasive monitoring of cardiac function to enable early detection and effective management. ballistocardiography (bcg), which captures the mechanical forces associated with cardiac activity, holds great promise for unobtrusive heart monitoring in daily-life settings without requiring direct electrode contact. however, the inherent complexity and high susceptibility to noise in bcg signals make the accurate extraction of key cardiac parameters—particularly inter-beat intervals (ibis)—a challenging task. this study presents a comprehensive evaluation of five distinct signal processing and deep learning approaches for ibi estimation from bcg signals, validated against synchronized electrocardiogram (ecg) recordings. in contrast to the previous works, we employ a publicly available dataset distinct from those commonly used, enabling a broader assessment of method generalizability—particularly for the clie algorithm. the evaluated methods include: continuous local interval estimator (clie), clie with adaptive windowing, multilayer perceptron (mlp), convolutional neural network (cnn), and bidirectional long short-term memory (bilstm) network. for the deep learning methods (mlp and cnn), we propose novel network architectures specifically tailored to the characteristics of bcg signals, leading to improved performance compared to conventional designs. furthermore, our bilstm-based method not only incorporates testing on a dataset different from that of previous reference studies, but also focuses on the accurate prediction of r-peak locations in the bcg signal, from which ibis are subsequently derived. evaluation based on mean absolute error (mae), 95th percentile error, and correlation coefficient shows that the clie method achieved the best overall ibi estimation accuracy, with an mae of 28.7 milliseconds and the highest correlation coefficient (0.77). the bilstm method, while having a slightly higher mae (40.1 milliseconds), demonstrated superior robustness to outliers by achieving the lowest 95th percentile error (9.5%). the mlp and cnn methods showed moderate performance, and the adaptive windowing variant of clie performed the worst. these findings demonstrate that accurate ibi extraction from bcg signals is feasible, and that both the clie and bilstm approaches are promising candidates for implementation in intelligent, home-based cardiac monitoring systems—offering, respectively, high accuracy and strong resilience to large errors.