基于原始传感器数据的端到端深度学习：利用可穿戴设备检测心房颤动
机器学习
2018-07-30 v1 机器学习
摘要
我们提出一种带有长短期记忆的卷积-循环神经网络架构，用于数字传感器数据的实时处理与分类。该网络隐式地执行典型的信号处理任务，如滤波与峰值检测，并学习输入信号的时间分辨嵌入。我们使用原型多传感器可穿戴设备采集超过 180 小时的采样率为 20Hz 的光电容积脉搏波(PPG)数据，其中 36 小时处于心房颤动(AFib)状态。我们利用端到端学习在从原始 PPG 数据检测 AFib 上取得当前最优结果。对于每 0.8 秒输出的分类标签，我们展示了 0.9999 的 ROC 曲线下面积，假阳性与假阴性率均低于 。这相比此前利用心域特征工程（如心率提取）的结果有显著提升，并使大规模心房颤动筛查即将成为可能。
引用
@article{arxiv.1807.10707,
title = {End-to-end Deep Learning from Raw Sensor Data: Atrial Fibrillation Detection using Wearables},
author = {Igor Gotlibovych and Stuart Crawford and Dileep Goyal and Jiaqi Liu and Yaniv Kerem and David Benaron and Defne Yilmaz and Gregory Marcus and Yihan Li},
journal= {arXiv preprint arXiv:1807.10707},
year = {2018}
}
备注
7 pages, 5 figures, KDD 2018 Deep Learning Day accepted