Una detección de arritmia cardíaca eficiente en recursos utilizando dinámicas no lineales en redes de estado de retraso optimizadas | JoVE Visualize

Área de la Ciencia:

Ingeniería biomédica
Neurociencia computacional
Procesamiento de señales

Sus antecedentes:

Los métodos tradicionales de detección de arritmias luchan con dinámicas temporales sutiles y requieren recursos computacionales significativos.
Las técnicas existentes a menudo carecen de aplicabilidad y eficiencia en tiempo real para el diagnóstico precoz.
Las características artesanales de los enfoques convencionales limitan su generalización y eficacia.

Objetivo del estudio:

Desarrollar una nueva metodología para mejorar la detección y clasificación de las arritmias cardíacas.
Mejorar la eficiencia y la aplicabilidad en tiempo real de las herramientas de diagnóstico de arritmias.
Crear una solución robusta y escalable para el diagnóstico basado en series temporales en entornos con recursos limitados.

Principales métodos:

Combinando el análisis de espacio de fase reconstruido (RPS) con una red optimizada de estado de retraso (DSN).
Aprovechando toda la estructura de espacio de fase (PSS) como entrada a la DSN, que utiliza un solo nodo no lineal con retroalimentación retrasada.
Integrar la optimización de la demora y la incrustación, con PCA y Ridge Embedding para la gestión de la dimensionalidad, y utilizar la memoria compartida y el multiprocesamiento para la escalabilidad.

Principales resultados:

Logró una precisión del 99,3%, una sensibilidad del 99,1% y una especificidad del 99,7% en conjuntos de datos de referencia.
Demostrado el despliegue eficiente del borde en un Raspberry Pi 5, con tiempos de inferencia de 1.2-4.8 segundos para segmentos de ECG.
Mostró un bajo consumo de energía (<2,5 W) y un uso de memoria manejable (2,57 GB para segmentos de 60s).

Conclusiones:

El RPS propuesto y el marco de DSN optimizado ofrecen una solución robusta, escalable y precisa para la clasificación de la arritmia.
La metodología reduce significativamente las demandas de hardware en comparación con los modelos convencionales de aprendizaje profundo.
Este enfoque es adecuado para aplicaciones de diagnóstico en tiempo real con recursos limitados y análisis de series temporales más amplias.