Resumen: El sistema nervioso simpático (SNS) juega un papel central en la regulación de las respuestas del cuerpo al estrés y el mantenimiento de la estabilidad fisiológica. Su desregulación se asocia con una amplia gama de afecciones, desde enfermedades cardiovasculares hasta trastornos de ansiedad. La actividad nerviosa de la piel (SKNA) extraída de las grabaciones de electrocardiograma de alta frecuencia (ECG) proporciona una ventana no invasiva a la dinámica SNS, pero su medición es altamente susceptible a la contaminación electromiográfica (EMG). El preprocesamiento tradicional basado en el filtrado de paso de banda dentro de un rango fijo (por ejemplo, 500-1000 Hz) es susceptible a los componentes espectrales EMG y SKNA superpuestos, especialmente durante la actividad muscular sostenida. Presentamos un enfoque de desnudos utilizando un autoencoder convolucional unidimensional ligero con un cuello de botella de memoria largo a corto plazo (LSTM) para reconstruir SKNA limpio a partir de grabaciones contaminadas con EMG. Utilizando datos limpios de SKNA derivados de ECG de los experimentos de estrés cognitivo y el ruido EMG de las grabaciones de estimulación muscular caótica, simulamos la contaminación a niveles de ruido realistas (–4 dB,-8 dB de la relación señal / ruido) y entrenamos el modelo en el marco de la validación cruzada de permiso one-sujeto. El método mejoró la relación señal / ruido hasta hasta 9.65 dB, aumentó la correlación cruzada con SKNA limpio de 0.40 a 0.72, y restauró las características de SKNA basadas en una explosión a la discriminabilidad cercana a la limpieza (AUROC $ GEQ $ 0.96). La clasificación de las condiciones basales versus estimulación simpática (estrés cognitivo) alcanzaron precisiones de 91-98 % en niveles de ruido graves, comparables a los datos limpios. Estos resultados demuestran que la reconstrucción basada en el aprendizaje profundo puede preservar explosiones simpáticas fisiológicamente relevantes durante una interferencia EMG sustancial, lo que permite un monitoreo de SKNA más robusto en entornos naturalistas ricos en movimiento.
Publicado Originalme en export.arxiv.org El 9 de septiembre de 2025.
Ver Fuente Original
