一个基于ML的轻量级心电图分类系统,使用自我个性化的异常探测器

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:

• 实时心律失常诊断对于患者护理至关重要,但在资源有限的边缘设备上具有挑战性.
• 现有的方法通常需要大量的计算能力,限制了它们在便携式或嵌入式系统中的应用.

研究的目的:

• 开发一种轻量级,事件驱动的心电图 (ECG) 分类系统,用于边缘设备上的实时心律失常诊断.
• 通过减少计算负载和能源消耗来提高诊断准确性和效率.

主要方法:

• 开发了一种使用信号处理的新型自我个性化异常探测器,以动态更新基于患者心电图史的决策标准.
• 实现了一个罗神经网络,用于详细的心律失常分类,比较来自个性化的正常数据和异常输入的特征.
• 创建了一个简化的语模型,以减少可训练参数,同时保持分类准确性.

主要成果:

• 事件驱动系统将正常节拍的机器学习模型激活率降低了74%.
• 实现了96.9%的高分类准确度,与领先的解决方案相美.
• 与成本意识的方法相比,在移动GPU平台上显示了3倍的能源消耗减少和3.6倍更快的处理延迟.

结论:

• 拟议的事件驱动系统可以在边缘设备上有效和准确的实时心律失常诊断.
• 该系统的低功耗和快速处理提高了电池寿命,并促进了持续的患者监控.
• 这种方法适用于资源有限的环境,推进便携式心脏诊断工具.