一种用于网络双驱动个性化呼吸监测的变压器-图神经网络框架。

维持健康呼吸对健康至关重要，以防止严重的呼吸并发症，其中许多可能导致死亡。生活在持续慢性呼吸疾病（如哮喘、慢性阻塞性肺病、睡眠呼吸暂停）中的个体需要持续的以患者为中心的非医院监测，以便进行诊断和适当治疗。许多传统的以患者为中心的身体健康监测系统由于灵活性有限而不足，尚未发明能够结合多种传感器数据、持续监测患者并实时记录健康状态的系统。本文提出了一种呼吸监测系统，利用网络双（CT）模型和图神经网络（GNN）功能，基于多源数据进行个体间的关系推理，并采用变压器架构基于时间序列数据进行远程行为调整。网络双不断更新每个个体的生理状态，并预测治疗发生时将会发生的情况。本工作提供了所提变压器GNN与LSTM-CNN作为既定实验效果评估框架的比较的完整结果，为模型直接界面的性能提供了更好的比较。所提方法在传统网络上具有更优的表现，呼吸频率（RR）估算的绝对误差减少8-13%，且多模态呼吸集群之间F1得分提升+3.1-6.8分。图形和表格显示了所有实验的有效性和比较。