DeepBeat：一种用于评估可穿戴设备信号质量与心律失常检测的多任务深度学习方法
信号处理
2020-01-28 v2 机器学习
机器学习
摘要
可穿戴设备理论上可实现步数、能量消耗和心率等生理测量的连续、纵向监测。尽管从可穿戴设备对房颤等异常心律进行分类具有巨大潜力，商业算法仍属专有，且往往聚焦于放置在手腕上绿光谱 LED 传感器所获取的心率变异性，而噪声仍是一个未解决的问题。在此，我们开发了一种多任务深度学习方法，用于可穿戴光电容积描记设备中的信号质量评估与心律失常事件检测，以实现房颤（AF）的实时检测。我们在一百余万条模拟无标签生理信号上训练算法，并在来自 3 种不同可穿戴设备、超过 100 人的逾 50 万条有标签信号精选数据集上微调。我们证明，相较于传统随机森林方法（精确率：0.24，召回率：0.58，f1：0.34，auPRC：0.44）和单任务 CNN（精确率：0.59，召回率：0.69，f1：0.64，auPRC：0.68），我们通过卷积去噪自编码器的无监督迁移学习架构显著提升了静息被试的房颤检测性能（pr：0.94，rc：0.98，f1：0.96，auPRC：0.96）。此外，我们在一个前瞻性获取的、使用独立设计设备数据的门诊受试者复制队列上验证了算法性能。我们表明两阶段训练有助于解决生物医学应用中常见的大标注数据集匮乏所致的数据不平衡问题。总之，通过仿真与迁移学习的结合，我们开发并应用了一种多任务架构来解决可穿戴腕部传感器的房颤检测问题，展现出高准确度并给出了机械噪声这一棘手挑战的解决方案。
引用
@article{arxiv.2001.00155,
title = {DeepBeat: A multi-task deep learning approach to assess signal quality and arrhythmia detection in wearable devices},
author = {Jessica Torres Soto and Euan Ashley},
journal= {arXiv preprint arXiv:2001.00155},
year = {2020}
}