利用液态与概率读出的可穿戴设备无监督心率估计
神经与进化计算
2018-02-13 v1 机器学习
摘要
心率估计是现代可穿戴设备的一项基本功能。在本文中，我们提出了一种机器智能方法，用于从可穿戴设备采集的心电图 (ECG) 数据中估计心率。我们方法的新颖之处在于：(1) 将 ECG 信号的时空属性直接编码为脉冲序列，并以此激发液态机计算模型中循环连接的脉冲神经元；(2) 一种新颖的学习算法；(3) 基于从部分神经元（液态）中选取的脉冲响应的 Fuzzy c-Means 聚类，结合粒子群优化设计的一种智能无监督读出。我们的方法不同于现有工作，它直接从 ECG 信号中学习（允许个性化），而无需昂贵的数据标注。此外，我们的方法可以轻松地在 SOTA 基于脉冲的神经形态系统上实现，提供高精度的同时具有极低的能耗，从而延长可穿戴设备的电池寿命。我们使用 CARLsim 验证了我们的方法，这是一个 GPU 加速的脉冲神经网络模拟器，对具有脉冲时序依赖可塑性 (STDP) 和稳态缩放的 Izhikevich 脉冲神经元进行建模。研究对象涵盖了内部临床试验和公开 ECG 数据库中的一系列受试者。结果显示，无论受试者是否存在心律不齐，心率估计均具有高精度和低能耗，这表明该方法具有集成到未来可穿戴设备中的巨大潜力。
引用
@article{arxiv.1708.05356,
title = {Unsupervised Heart-rate Estimation in Wearables With Liquid States and A Probabilistic Readout},
author = {Anup Das and Paruthi Pradhapan and Willemijn Groenendaal and Prathyusha Adiraju and Raj Thilak Rajan and Francky Catthoor and Siebren Schaafsma and Jeffrey L. Krichmar and Nikil Dutt and Chris Van Hoof},
journal= {arXiv preprint arXiv:1708.05356},
year = {2018}
}
备注
51 pages, 12 figures, 6 tables, 95 references. Under submission at Elsevier Neural Networks