損失なしECG圧縮のための深層学習ベースのアプローチ

科学分野:

• 生体医工学
• 信号処理
• 人工知能

背景:

• 遠隔モニタリングは心臓患者のケアに不可欠であり、効率的なデータ処理が必要である。
• 心電図（ECG）データの圧縮は、帯域幅とストレージのニーズを削減する。

研究 の 目的:

• 深層学習を用いた新しい損失なしECG圧縮方法を開発すること。
• リモート心臓患者モニタリングシステムの効率を向上させること。

主な方法:

• ECG信号をノイズ除去し、ビートセルに前処理した。
• 圧縮のために適応型自己回帰移動平均（ARIMA）モデルを採用した。
• 深層オートエンコーダーとMLPNN回帰器の組み合わせにより、粒子群最適化（PSO）によって調整された最適なモデルハイパーパラメータを予測した。

主要な成果:

• 提案手法は、平均圧縮率（CR）41.51、平均二乗誤差率（PRD%）0.209%を達成した。
• 異常なビートを含む46のPhysioNet記録全体で、無視できる損失で高い圧縮品質が観察された。
• 再構成されたビートは、元の信号と比較して臨床的特徴に偏差を示さなかった。

結論:

• 提案された適応型ECG圧縮モデルは、リアルタイムの遠隔モニタリングに適している。
• 重要な患者データの効率的な保存と送信を可能にする。
• これにより、心臓患者の継続的なモニタリングが促進され、ヘルスケア提供が改善される。