医疗物联网系统上用于室性心律失常检测的个性化深度学习
机器学习
2020-08-19 v1 信号处理
机器学习
摘要
致命性室性心律失常（VA）是心源性猝死（SCD）的首要原因，而 SCD 是美国自然死亡的最重要原因。植入式心律转复除颤器（ICD）是一种植入高危 SCD 患者体内的小型装置，用作预防性治疗。ICD 持续监测心内节律，并在检测到致命性 VA 时放电。传统方法通过对检测到的节律设定标准来检测 VA。然而，这些方法不适当电击率高，且需要定期随访以为每位 ICD 接受者优化标准参数。为缓解这些挑战，我们提出了医疗物联网系统上基于深度学习的 VA 检测个性化计算框架。该系统由心内与体表节律监测器，以及用于数据上传、诊断和 CNN 模型个性化的云平台组成。我们为系统配备了在心内与体表节律监测器上的实时推理。为提高检测准确率，我们通过提出协同推理使监测器协作检测 VA。我们还基于该计算框架为每位患者引入 CNN 个性化，以解决无标注且有限的节律数据问题。与传统检测算法相比，所提方法在 VA 节律检测上取得了相当准确率，并将不适当电击率降低 6.6%，同时平均推理延迟保持在 71ms。
引用
@article{arxiv.2008.08060,
title = {Personalized Deep Learning for Ventricular Arrhythmias Detection on Medical IoT Systems},
author = {Zhenge Jia and Zhepeng Wang and Feng Hong and Lichuan Ping and Yiyu Shi and Jingtong Hu},
journal= {arXiv preprint arXiv:2008.08060},
year = {2020}
}