[论文解读] Reservoir Computing Models for Patient-Adaptable ECG Monitoring in Wearable Devices

Fatemeh Hadaeghi|arXiv (Cornell University)|Jul 22, 2019

Neural Networks and Applications被引用 8

一句话总结

本文提出了一种基于蓄水计算的回声状态网络（ESN）模型，用于可穿戴设备中实时、患者自适应的心电图搏动分类。通过利用加权岭回归处理类别不平衡问题，该模型在MIT-BIH心律失常数据库上实现了高达99%的准确率和97%的F1分数，展示了其在嵌入式心脏监测系统中高效且硬件兼容的潜力。

ABSTRACT

The reservoir computing paradigm is employed to classify heartbeat anomalies online based on electrocardiogram signals. Inspired by the principles of information processing in the brain, reservoir computing provides a framework to design, train, and analyze recurrent neural networks (RNNs) for processing time-dependent information. Due to its computational efficiency and the fact that training amounts to a simple linear regression, this supervised learning algorithm has been variously considered as a strategy to implement useful computations not only on digital computers but also on emerging unconventional hardware platforms such as neuromorphic microchips. Here, this biological-inspired learning framework is exploited to devise an accurate patient-adaptive model that has the potential to be integrated into wearable cardiac events monitoring devices. The proposed patient-customized model was trained and tested on ECG recordings selected from the MIT-BIH arrhythmia database. Restrictive inclusion criteria were used to conduct the study only on ECGs including, at least, two classes of heartbeats with highly unequal number of instances. The results of extensive simulations showed this model not only provides accurate, cheap and fast patient-customized heartbeat classifier but also circumvents the problem of "imbalanced classes" when the readout weights are trained using weighted ridge-regression.

研究动机与目标

• 开发一种适用于可穿戴心脏监测设备集成的患者定制化、实时心电图搏动分类器。
• 解决心电图数据中类别不平衡的挑战，特别是当病理搏动类别代表性不足时。
• 设计一种计算效率高的模型，兼容新兴的神经形态计算与嵌入式硬件平台，如FPGA和Dynap-se处理器。
• 在具有高度不平衡类别和现实限制性数据条件下的MIT-BIH心律失常数据库上评估ESN模型的性能。
• 证明蓄水迁移学习在将模型部署于模拟神经形态硬件上的可行性。

提出的方法

• 采用回声状态网络（ESN），一种蓄水计算模型，通过随机初始化且固定的递归蓄水池，将原始心电图信号转换为高维状态空间。
• 在读出层使用加权岭回归来训练输出权重，通过应用类别特定的权重以减轻类别不平衡数据分布的影响。
• 采用滑动窗口方法对心电图信号进行预处理，以提取单个心脏搏动，随后进行特征提取与归一化。
• 在MIT-BIH心律失常数据库的个体患者心电图记录上训练ESN，重点关注至少包含两类搏动且存在显著类别不平衡的病例。
• 使用标准指标（包括准确率、精确率、召回率和F1分数）在多个患者记录和搏动类型上评估模型性能。
• 通过展示与基于FPGA的ESN架构兼容性，并计划利用蓄水迁移学习在Dynap-se神经形态处理器上部署，探索硬件兼容性。

实验结果

研究问题

• RQ1 基于蓄水计算的ESN模型能否在训练数据有限且类别高度不平衡的单个患者心电图搏动分类中实现高准确率？
• RQ2 加权岭回归在缓解心电图搏动分类中因类别不平衡导致的性能下降方面有多有效？
• RQ3 所提出的ESN模型在适用于可穿戴设备的低功耗、嵌入式或神经形态硬件平台上的高效实现程度如何？
• RQ4 蓄水迁移学习能否实现将训练好的ESN模型部署于类似Dynap-se的模拟神经形态处理器上？
• RQ5 该模型的患者自适应特性是否在准确率和计算效率方面优于基于多患者数据训练的通用分类器？

主要发现

• 在使用具有类别不平衡的患者特异性心电图数据进行训练时，所提出的ESN模型在MIT-BIH心律失常数据库上实现了99%的整体准确率和97%的F1分数。
• 在最不平衡的情况下（例如，303次室性早搏对比30次房性早搏），模型在主要类别上的F1分数达到99.01%，在少数类别上达到98.69%。
• 加权岭回归的使用显著提升了少数类别上的性能，融合搏动（454个实例）的F1分数达到99.45%，起搏搏动（31个实例）的F1分数达到99.67%。
• 该模型在多种心电图记录中表现出强鲁棒性，所有测试搏动类型的F1分数均超过98%，包括心室扑动（99.19%）、心室逸搏（99.26%）和右束支传导阻滞（99.81%）。
• 该模型已证明与基于FPGA的ESN架构兼容，并可通过蓄水迁移学习迁移到Dynap-se神经形态处理器上，实现在模拟硬件上的低功耗、实时部署。
• 该方法有效规避了类别不平衡问题，无需数据增强或复杂重加权策略，仅依赖读出层中的加权回归即可实现。