低功耗可穿戴平台上基于卷积 - 循环神经网络的心律失常检测
本文提出了一种使用卷积 - 循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据,其中使用穿戴式设备采集的 PPG 数据进行了 AFib 检测,结果表明该架构具有良好的准确性。
Jul, 2018
使用单导联可穿戴监测器记录的心电图,开发了一种算法,可以检测出广泛类型的心律失常,其表现超过了获得认证的心脏病专家。通过 34 层的卷积神经网络,将心电图样本序列映射到节律类别序列,并将其与 6 位独立心脏病专家的性能进行比较。结果表明,该算法在感知率和阳性预测价值等方面均优于平均心脏病专家。
Jul, 2017
通过只使用 6k 个参数的微型 Transformer 模型,本文在 MIT-BIH 心律失常数据库上达到了 98.97%的识别准确率,并通过在低功耗微控制器设备上进行高效执行的 8 位整数推理,证明了其适用于可穿戴监测解决方案。
Feb, 2024
本研究提出使用深度学习技术的可穿戴式监测系统,采用无创的 Bellypatch 设备从早产儿的身体上实时采集信号,对呼吸停止等问题进行预测和监测。将传统的 1DCNN 模型转换为基于脉冲神经网络的模型,实现了 93.33% 的准确率和比基础模型低 18 倍的能量消耗。
Feb, 2022
本文提出了一种基于物联网技术的新型心电监测方法,使用基于 DSR 和 REL 的路由系统,并测试了基于 ANN、SVM 和 CNN 的 ECG 信号分类方法。Deep-ECG 将采用深度 CNN 来提取重要特征,并使用简单且快速的距离函数进行分类,从而高效识别心脏问题。研究结果表明,所提出的策略在分类准确性方面优于其他方法。
Feb, 2022
本文介绍了利用可穿戴设备识别睡眠阶段的方法,并使用 NetHealth 数据集和深度学习算法 Convolutional Neural Networks 和传统的 Random Forest 进行了比较。
Mar, 2023
利用带有注释的 12,186 个单引导 ECG 记录数据集,我们构建了一种多样化的循环神经网络 (RNNs) 集成,以区分正常窦性心律、房颤、其他类型的心律失常和信号过于嘈杂难以解释。通过注意力机制,使我们的模型具有高度可解释性,并在看不见的测试集(n = 3,658)上实现了 0.79 的平均 F1 得分,同时也达到了最先进的分类性能。
Oct, 2017
提出一种多对一的信号知识蒸馏方法,用于开发 IoT 可穿戴系统中能够处理单一生物信号并达到与原多生物信号深度神经网络相媲美的精度的解决方案,并在几个最新的边缘计算平台上进行综合模拟实验分析以评估该方法在现实生活场景中的可行性,应用于癫痫性发作检测。
Jul, 2022
本研究详细探讨了使用卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)和深度置信网络(DBN)通过可编程门阵列(FPGA)改进对心电图(ECG)信号的分析的复杂神经网络框架,使用 MIT-BIH 心律失常数据库作为模型训练和评估的基础,并加入高斯噪声来提高算法的鲁棒性。研究中我们采用多层结构进行特定处理和分类功能的设计,使用了 EarlyStopping 回调和 Dropout 层等策略来防止过拟合现象。此外,还详细介绍了为 PYNQ Z1 平台创建定制化的张量计算单元(TCU)加速器的过程。该研究提供了一个系统的方法论,涵盖了在 Docker 中配置 Tensil 工具链、选择架构、PS-PL 配置以及模型的编译和部署。通过评估延迟和吞吐量等性能指标,展示了 FPGA 在先进的生物医学计算中的效果。最终,本研究成果在各个领域优化 FPGA 上的神经网络操作提供了全面的指南。
Nov, 2023