使用智能手表 PPG 信号在真实生活场景下的多类别心律失常分类
信号处理
2025-03-13 v1 人工智能
摘要
大多数深度学习模型用于多类别心律失常分类都在指尖光电血容量 (PPG) 数据上测试，该数据信噪比较高，而智能手表获取的 PPG 信号则较差，目前最好的 PAC/PVC 检测灵敏度仅为 75%。为提高 PAC/PVC 检测灵敏度，同时保持高 AF 检测水平，我们采用多模态数据，将 1D PPG、加速度计和心率数据作为 1D 双向门控循环单元 (1D-Bi-GRU) 模型的输入，用于检测三类心律失常。我们使用来自 NIH 资助的 Pulsewatch 临床试验中易受运动伪影影响的智能手表 PPG 数据。我们的多模态模型在 72 名受试者身上测试，实现了 unprecedented 的 83% PAC/PVC 检测灵敏度，同时保持 97.31% 的 AF 检测准确率。这些结果在 PAC/PVC 检测上超越了最佳 SOTA 模型 20.81%，在 AF 检测上超越 2.55%，而且我们的模型在计算效率上更优（体积小 14 倍，速度快 2.7 倍）。
引用
@article{arxiv.2409.06147,
title = {Multiclass Arrhythmia Classification using Smartwatch Photoplethysmography Signals Collected in Real-life Settings},
author = {Dong Han and Jihye Moon and Luís Roberto Mercado Díaz and Darren Chen and Devan Williams and Eric Y. Ding and Khanh-Van Tran and David D. McManus and Ki H. Chon},
journal= {arXiv preprint arXiv:2409.06147},
year = {2025}
}