BayesBeat：基于噪声光电容积描记数据的可靠房颤检测
机器学习
2022-09-19 v2 信号处理
摘要
智能手表或健身追踪器因其经济实惠和纵向监测能力，作为潜在的健康追踪设备已广受欢迎。为进一步拓展其健康追踪功能，近年来研究人员开始探索利用光电容积描记（PPG）数据实时检测心房颤动（AF）的可能性，PPG 是一种几乎在所有智能手表中广泛配备的廉价传感器。从 PPG 信号进行 AF 检测的一大挑战来自智能手表 PPG 信号固有的噪声。本文中，我们提出一种基于深度学习的新方法 BayesBeat，其利用贝叶斯深度学习的优势从噪声 PPG 信号准确推断 AF 风险，同时提供预测的不确定性估计。在两个公开数据集上的大量实验表明，我们提出的方法 BayesBeat 优于现有的 SOTA 方法。此外，BayesBeat 效率显著提升，参数量比 SOTA 基线方法少 40-200 倍，使其适合部署在资源受限的可穿戴设备中。
引用
@article{arxiv.2011.00753,
title = {BayesBeat: Reliable Atrial Fibrillation Detection from Noisy Photoplethysmography Data},
author = {Sarkar Snigdha Sarathi Das and Subangkar Karmaker Shanto and Masum Rahman and Md. Saiful Islam and Atif Rahman and Mohammad Mehedy Masud and Mohammed Eunus Ali},
journal= {arXiv preprint arXiv:2011.00753},
year = {2022}
}
备注
IMWUT March 2022, Vol 6 Article 8 (UbiComp 2022)