从警报中学习:一种强大的学习方法,用于精确的基于光电脉冲扫描的耳前动检测,使用800万个标有不精确心律不整警报的样本

科学领域:

• 生物医学工程 生物医学工程
• 心脏病学 心脏病学
• 机器学习 机器学习

背景情况:

• 心房动 (AF) 是一种普遍的心律失常症,需要及早检测和治疗,以防止严重的健康后果.
• 带有光聚缩学 (PPG) 传感器的可穿戴设备显示出AF检测的希望,但大规模的标记数据是持续监测和人口查的重大挑战.
• 现有的商业解决方案通常依赖于专有算法,限制了更广泛的研究和开发.

研究的目的:

• 为了解决缺少用于AF检测的大规模标记PPG数据的问题.
• 开发和验证一种新的方法,用于使用床边监视器报警生成大型PPG-AF数据集.
• 引入和评估一个强大的算法处理标签噪声在PPG数据,以提高AF检测准确度.

主要方法:

• 从床边的患者监视器中利用AF警报自动标记并发的PPG信号,创建了来自24100名患者的850万条记录数据集.
• 引入并开源了一个新的集群成员一致性 (CMC) 损失函数,旨在减轻噪音标签中的错误.
• 在一个杂的标签竞争中,将CMC损失与最先进的方法进行了比较,专注于PPG数据的性能.

主要成果:

• 成功生成了迄今为止最大的PPG-AF数据集,展示了大规模数据标签的实用方法.
• 与现有方法相比,拟议的CMC损失在处理标签噪声方面表现优越.
• 该CMC损失显示了对质量差的PPG信号的弹性,并提供了计算效率.

结论:

• 开发的方法提供了一个可扩展的解决方案,用于创建大型的标记PPG数据集,这对于推进AF检测至关重要.
• CMC 损失是一种有效且稳健的方法,用于减轻基于 PPG 的 AF 检测中的标签噪声,其性能优于当前的技术.
• 这项工作有助于开发更准确,更可靠的持续AF监测系统,用于门诊机构和全民查.