个性化零样本 ECG 心律失常监测系统：从基于稀疏表示的域自适应到面向实用 ECG 监护的能效异常心拍检测
机器学习
2024-08-23 v2 计算机视觉与模式识别
摘要
本文提出一种低成本、高精度的 ECG 监测系统，用于可穿戴移动传感器的个性化早期心律失常检测。早前的个性化 ECG 监测监督方法需要异常与正常心跳来训练专用分类器。然而，在专用算法嵌入可穿戴设备的真实场景中，无心脏疾病史的健康的此类训练数据并不可用。在本研究中，（i）我们提出基于稀疏字典学习得到的健康信号空间的零空间分析，并研究简单的零空间投影或正则化最小二乘分类方法如何在与基于稀疏表示的分类相比时不牺牲检测精度而降低计算复杂度。（ii）随后我们引入基于稀疏表示的域自适应技术，将其他已有用户的异常与正常信号投影到新用户的信号空间，使我们能够在新用户无任何异常心跳的情况下训练专用分类器。因此，无需合成异常心跳即可实现零样本学习。在基准 MIT-BIH ECG 数据集上的大量实验表明，当该基于域自适应的训练数据生成器与简单的一维 CNN 分类器配合使用时，方法大幅优于先前工作。（iii）接着，结合（i）与（ii），我们提出一种集成分类器，进一步提升了性能。该零样本心律失常检测方法达到了 98.2% 的平均准确率与 92.8% 的 F1 分数。最后，利用上述创新提出了个性化的能效 ECG 监测方案。
引用
@article{arxiv.2207.07089,
title = {A Personalized Zero-Shot ECG Arrhythmia Monitoring System: From Sparse Representation Based Domain Adaption to Energy Efficient Abnormal Beat Detection for Practical ECG Surveillance},
author = {Mehmet Yamaç and Mert Duman and İlke Adalıoğlu and Serkan Kiranyaz and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2207.07089},
year = {2024}
}
备注
Software implementation: https://github.com/MertDuman/Zero-Shot-ECG