相关实验视频
Updated: Jun 26, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
通过注意力检测可穿戴式心房动的压缩深度学习模型
Marko Mäkynen1, G Andre Ng2,3, Xin Li1
1Biomedical Engineering Research Group, School of Engineering, University of Leicester, Leicester LE1 7RH, UK.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
这项研究引入了通过ECG/PPG数据来检测心房动 (AF) 的压缩深度学习模型的注意力道. 压缩模型是准确的,可以解释的,适合资源有限的可穿戴设备.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 深度学习 (DL) 模型显示了使用心电图 (ECG) 和光电心电图 (PPG) 数据检测心房动 (AF) 的潜力.
- 在资源有限的可穿戴设备上部署复杂的DL模型,由于计算和内存的限制,会带来重大挑战.
研究的目的:
- 开发一种压缩DL模型用于AF检测的方法,使其能够在可穿戴设备上部署.
- 调查定制道注意力机制对模型压缩和特征选择的有效性.
- 为了提高AF检测模型的可解释性.
主要方法:
- 将定制的频道注意力机制集成到DL神经网络中,用于AF检测.
- 应用道注意力来压缩DL模型,通过关注突出的时间序列特征.
- 在压缩前后对关键AF数据库 (ADB和C2017DB) 的模型性能评估.
- 对学习道注意力分布的分析,以了解模型的可解释性.
主要成果:
- 道注意力显著减少了模型参数和文件大小的总数.
- 在压缩后观察到AF检测准确性的最小损失.
- 某些压缩模型变体在AF数据库上表现出更好的性能.
- 对注意力分布的分析凸显了AF诊断至关重要的突出时间ECG/PPG特征,提高了模型的解释性.
结论:
- 整合注意力机制是压缩DL模型用于AF检测的有效策略.
- 拟议的方法产生了适合低功耗可穿戴设备的压缩,准确和可解释的AF探测器.
- 道注意力有助于开发更简单,更准确的AF查算法,为时间生物标志物提供有价值的临床见解.
