A Personalized Zero-Shot ECG Arrhythmia Monitoring System: From Sparse Representation Based Domain Adaption to Energy Efficient Abnormal Beat Detection for Practical ECG Surveillance

要約

この論文は、ウェアラブルモバイルセンサーのパーソナライズされた早期不整脈検出を目的とした、低コストで高精度のECGモニタリングシステムを提案します。
パーソナライズされたECGモニタリングのための以前の教師ありアプローチでは、専用の分類器のトレーニングに異常な心拍と正常な心拍の両方が必要です。
ただし、パーソナライズされたアルゴリズムがウェアラブルデバイスに組み込まれている実際のシナリオでは、このようなトレーニングデータは、心臓病の病歴のない健康な人には利用できません。
この研究では、（i）スパースディクショナリ学習によって得られた健全な信号空間の零空間分析を提案し、単純な零空間射影または代わりに正規化された最小二乗ベースの分類方法が、
スパース表現ベースの分類と比較した場合の検出精度。
（ii）次に、他の既存のユーザーの異常信号と正常信号を新しいユーザーの信号空間に投影するために、スパース表現ベースのドメイン適応手法を導入します。これにより、新しいユーザーの異常な心拍を発生させることなく、専用の分類器をトレーニングできます。
したがって、合成の異常な心拍の生成を必要とせずにゼロショット学習を達成することができます。
ベンチマークMIT-BIHECGデータセットで実行された一連の広範な実験は、このドメイン適応ベースのトレーニングデータジェネレーターを単純な1-D CNN分類器とともに使用すると、この方法が以前の作業を大幅に上回っていることを示しています。
（iii）次に、（i）と（ii）を組み合わせることにより、パフォーマンスをさらに向上させるアンサンブル分類器を提案します。
ゼロショット不整脈検出のためのこのアプローチは、98.2％の平均精度レベルと92.8％のF1スコアを達成します。
最後に、パーソナライズされたエネルギー効率の高いECGモニタリングスキームが、上記のイノベーションを使用して提案されます。

要約(オリジナル)

This paper proposes a low-cost and highly accurate ECG-monitoring system intended for personalized early arrhythmia detection for wearable mobile sensors. Earlier supervised approaches for personalized ECG monitoring require both abnormal and normal heartbeats for the training of the dedicated classifier. However, in a real-world scenario where the personalized algorithm is embedded in a wearable device, such training data is not available for healthy people with no cardiac disorder history. In this study, (i) we propose a null space analysis on the healthy signal space obtained via sparse dictionary learning, and investigate how a simple null space projection or alternatively regularized least squares-based classification methods can reduce the computational complexity, without sacrificing the detection accuracy, when compared to sparse representation-based classification. (ii) Then we introduce a sparse representation-based domain adaptation technique in order to project other existing users’ abnormal and normal signals onto the new user’s signal space, enabling us to train the dedicated classifier without having any abnormal heartbeat of the new user. Therefore, zero-shot learning can be achieved without the need for synthetic abnormal heartbeat generation. An extensive set of experiments performed on the benchmark MIT-BIH ECG dataset shows that when this domain adaptation-based training data generator is used with a simple 1-D CNN classifier, the method outperforms the prior work by a significant margin. (iii) Then, by combining (i) and (ii), we propose an ensemble classifier that further improves the performance. This approach for zero-shot arrhythmia detection achieves an average accuracy level of 98.2% and an F1-Score of 92.8%. Finally, a personalized energy-efficient ECG monitoring scheme is proposed using the above-mentioned innovations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google