利用深度学习识别可穿戴设备光电容积脉搏波(PPG)中的心脏异常
信号处理
2018-07-12 v1
摘要
影响心率和心律的心脏异常在健康人群和急性病患中均常见。尽管其中许多为良性，但有时也提示严重的健康风险。ECG 监护仪通常用于检测这些心电活动事件，但不适用于连续长期使用。相比之下，配备光学光电容积脉搏波（PPG）的新一代可穿戴设备因其低成本、无导线和体积小巧而广受欢迎。许多心脏异常（如异位搏动和 AF）会干扰血流，从而在 PPG 波形中表现为明显或细微的异常。我们提出了一种仅利用 PPG 信号自动识别这些异常的方法，无需 ECG。我们在 400,000 个干净 PPG 样本上训练 LSTM 深度神经网络以学习典型 PPG 形态与节律，并将偏离此特征的 PPG 信号标记为心脏异常。我们将该方法识别的心脏异常与床旁 ECG 监护仪在 29 名患者、47.6 小时金标准观测中记录的异位搏动进行比较。我们提出的心脏异常识别方法在 PPG 信号中识别出了 60% 以上的 ECG 检测出的 PVC，假阳性率为 23%——展示了这一新颖方法的显著效力与价值。最后，我们借助可穿戴设备在标准护理中考察了院内与院外患者群体中心脏异常在 PPG 信号中的表现。
引用
@article{arxiv.1807.04077,
title = {Recognising Cardiac Abnormalities in Wearable Device Photoplethysmography (PPG) with Deep Learning},
author = {Stewart Whiting and Samuel Moreland and Jason Costello and Glen Colopy and Christopher McCann},
journal= {arXiv preprint arXiv:1807.04077},
year = {2018}
}
备注
Appearing in the 2018 KDD Workshop on Machine Learning for Medicine and Healthcare