Autoencoder entfernt Muskelartefakte aus ECG, verbessert SKNA für Stressdiagnose

Ein neues Verfahren nutzt einen schlanken, eindimensionalen Autoencoder mit LSTM‑Bottleneck, um die Hautnervenaktivität (SKNA) aus hochfrequenten EKG‑Aufnahmen zu reinigen. SKNA liefert einen nichtinvasiven Einblick in das sympathische Nervensystem, ist jedoch stark durch EMG‑Störungen verfälscht. Traditionelle Bandpassfilter (500–1000 Hz) können die Frequenzbereiche von Muskelaktivität und SKNA nicht zuverlässig trennen, besonders bei anhaltender Muskelarbeit.

Die Autoren simulierten EMG‑Rauschen auf realen SKNA‑Daten aus kognitiven Stress‑Experimenten mit Rauschverhältnissen von –4 dB und –8 dB. Das Modell wurde in einem Leave‑One‑Subject‑Out‑Cross‑Validation‑Framework trainiert und zeigte eine Signal‑zu‑Rausch‑Verbesserung von bis zu 9,65 dB. Die Kreuzkorrelation mit sauberem SKNA stieg von 0,40 auf 0,72, und die AUROC für burst‑basierte SKNA‑Merkmale erreichte ≥ 0,96.

Bei der Klassifikation von Baseline‑ und sympathischer Stimulation (kognitiver Stress) erzielte das Verfahren Genauigkeiten zwischen 91 % und 98 % – selbst bei starkem Rauschen. Diese Ergebnisse deuten darauf hin, dass Autoencoder‑basierte Denoising‑Methoden die Zuverlässigkeit von SKNA‑Messungen erheblich steigern und damit die nichtinvasive Stressdiagnose verbessern können.