オプティマイズされた遅延状態ネットワークにおける非線形ダイナミクスを用いた資源効率の良い心律乱動検知

科学分野:

• 生物医学工学
• 計算神経科学
• 信号処理

背景:

• 従来のアリズム検知方法は 微妙なタイムダイナミクスと闘い 重要な計算リソースを必要とします
• 現存するテクニックは 早期診断のリアルタイムの適用性と効率性が欠けていることが多い.
• 従来のアプローチの手作り機能は,その一般化性と有効性を制限します.

研究 の 目的:

• 心律不全の検出と分類の改善のための新しい方法論を開発する.
• アリズム障害診断ツールの効率とリアルタイムの適用性を向上させる.
• 資源の限られた環境でタイムシリーズベースの診断のための堅牢でスケーラブルなソリューションを作成します.

主な方法:

• 再構築されたフェーズ空間 (RPS) 解析と最適化された遅延状態ネットワーク (DSN) を組み合わせる.
• DSNへの入力として全フェーズ空間構造 (PSS) を活用し,遅延フィードバックを持つ単一の非線形ノードを使用します.
• 遅延と埋め込み最適化を統合し,PCAとリッジ埋め込みで次元管理を行い,スケーラビリティのために共有メモリとマルチプロセッシングを使用します.

主要な成果:

• 99.3%の精度,99.1%の感度,99.7%の特異性を基準データセットで達成しました.
• ラスベリーPi 5で効率的なエッジ展開が実証され,ECGセグメントの推論時間は1.2-4.8秒です.
• 低消費電力 (<2.5W) と管理可能なメモリ使用量 (60年代セグメントでは2.57GB) を披露した.

結論:

• 提案されたRPSと最適化されたDSNフレームワークは,不律症の分類に強固でスケーラブルで正確なソリューションを提供します.
• この方法論は従来のディープラーニングモデルと比較してハードウェアの要求を大幅に削減します.
• このアプローチは,リアルタイムで,リソースが制限されている診断アプリケーションと,より広範なタイムシリーズ分析に適しています.