心律失常在家里就可以预测到!利用可穿戴设备开发心律失常诊断系统!

医疗 13/05/2022

三个要点
✔️ 心房颤动是生活方式相关疾病和其他慢性疾病中死亡率较高的一种慢性疾病，其特点是15-30%的患者无症状进展。
✔️ 在这项研究中，使用嵌入式可穿戴设备和心电图数据开发了一个用于心律失常分类的深度学习模型 - 心电图：ECG。
✔️ 评估结果显示，所提出的方法实现了1/10000的压缩率--从743MB到76KB--而且在压缩前后，诊断准确性几乎没有变化。

Compressed Deep Learning to Classify Arrhythmia in an Embedded Wearable Device
written by Kwang-Sig Lee, Hyun-Joon Park, Ji Eon Kim, Hee Jung Kim, Sangil Chon, Sangkyu Kim, Jaesung Jang, Jin-Kook Kim, Seongbin Jang, Yeongjoon Gil, Ho Sung So
(Submitted on 24 Feb 2022)
Comments: Sensors (Basel)

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

背景

可穿戴设备能否预防无症状状况下的疾病？

本研究旨在利用可穿戴设备心电图（ECG）开发一个心律失常的分类模型，以实现对无症状的室颤患者的高度准确诊断。

近年来，在患者数量不断增加、死亡风险较高的心脏疾病中，人们发现了降低风险的需求--尤其是占死亡人数大多数的心律失常，在1990年至2010年间呈现出明显的上升趋势。据报道，在这些心律失常中，约有30%的患者以无症状进展为特征--因此，需要在无症状状态下进行诊断，以降低心律失常的死亡风险；而对于无症状患者，由于没有症状，意味着到医院就诊的情况极为罕见，在医疗机构中进行诊断的需求很高。另一方面，有人指出，没有症状的病人由于没有症状，很少有机会到医院就诊，因此很难在医疗机构中做出诊断。在这种背景下，人们的注意力集中在利用现在广泛使用的可穿戴设备进行诊断的技术上，并报道了利用深度学习等算法的研究。虽然在利用这类设备时，对模型的性能有一定的限制，如计算的复杂性，而且很有可能需要对模型进行压缩，但专注于模型压缩的研究报告并不多。

本研究旨在构建一种深度学习方法，用于嵌入式可穿戴设备的心电图数据和心律失常分类，假设模型压缩。具体来说，过渡学习模型ResNet和MobileNet被用来降低计算复杂性，并通过模型压缩建立一个高度精确的诊断技术。

什么是可穿戴设备？

首先，对作为本研究分析对象的可穿戴设备进行了简要描述。

可穿戴设备是对实际由主体穿戴的信息设备的总称。可穿戴的意思是可穿戴的或可佩戴的，有腕带/手表和眼镜类型。因为这些设备实际上可以佩戴，所以它们可以用于日常生活的许多方面，从运动到洗澡和睡觉--它们对记录运动，如慢跑和游泳，以及捕捉健康信息，如心率、脉搏和睡眠时间都很有效。它被认为是

技术

数据集

本研究使用的心电图数据来自韩国大学安南医院--韩国首尔，28308名独特的病人--15412名正常病人和12896名心律失常病人。- 被纳入研究范围。在28308名患者中，80%、10%和10%也被用作训练、验证和测试集。

拟议模型

在这项研究中，两个学习模型--Resnet和Mobilenet--被应用于诊断嵌入式可穿戴设备中的心律失常，并使用TensorFlow Lite对模型进行压缩，然后进行比较-见下图。

ResNet利用残差学习来解决梯度消失的挑战，而Mobilenet是一个提高嵌入式设备效率的模型--通过深度和点状方向的卷积，减少输入图像和通道的数量。TensorFlow Lite也是一个在嵌入式设备上压缩和推断原始TensorFlow的库：具体过程是在训练后压缩TensorFlow Lite中的模型，并在嵌入式设备上进行这些推断。模型压缩执行分支修剪、量化、聚类、低等级近似--通过低等级近似过滤器等。

结果。

本节介绍了本研究中在估计精度和内存消耗方面进行的评估。

估计的准确性

为了评估估计的准确性，Resnet和提议的模型--压缩后的Resnet--在模型重量大小--计算复杂性--和性能--估计准确性方面进行了比较。-压缩后的模型的重量大小从743MB，减少到76KB--大约1/10000--而性能几乎与原始的--压缩前相同。其性能几乎与原版相同--在压缩之前。

Resnet和Mobilenet也在性能指标方面进行了比较--见下表。结果显示，Resnet-50Hz-97.3和Mobilenet-50Hz-97.2，ResnetResnet-100Hz-98.2和Mobilenet-100Hz-97.9，这两个型号在精度方面几乎相同：50Hz/100Hz是下采样率，表示。

内存消耗

Resnet和Mobilenet从FLASH存储器、SRAM存储器和随机存取存储器进行比较--见下图。

结果证实，前一个模型消耗了更多的闪存：Resnet-50 Hz (168.3 KB) - Mobilenet-50 Hz (146.9 KB)；Resnet-100 Hz (170.3 KB) - Mobilenet-100 Hz (148.9)导致Resnet-100 Hz消耗更多的闪存；而随机存取存储器的情况则相反：Resnet-50 Hz (92.2 KB)； -Mobilenet-50 Hz (109.0 KB)KB），；Resnet-100 Hz（104.1 KB）⋅ Mobilenet-100 Hz（156.3 KB）（图5c）。Resnet的推断时间也比Mobilenet长：Resnet-50 Hz (298.23 ms); - Mobilenet-50 Hz (149.72 ms), Resnet-100 Hz (603.62 ms); - Mobilenet-100 Hz (298.95 ms)毫秒)

从这些结果可以推断出，与ResNet相比，Mobilenet是对嵌入式可穿戴设备中的心律失常进行分类的一个更有效的模型。

考虑

在这项研究中，提出了一个基于心电图和深度学习的心律失常分类模型，假设是一个可穿戴设备。虽然人们对利用可穿戴设备的心律失常诊断技术越来越感兴趣，因为这是心律失常中的一个挑战，但有人指出，常规学习模型对于嵌入式可穿戴设备的内存来说很可能是不够的。因此，在这项研究中，开发了一种高效的深度学习算法，并对模型进行了压缩，以用于嵌入式可穿戴设备。基于Mobilenet架构，所提出的模型被设计为减少输入图像大小和通道数量以降低模型权重。评估结果显示，在25微秒的推理时间内达到了97.78%的准确性。此外，模型实现了1/10000的压缩率--从743MB到76KB。

这项研究的一个显著特点是，它专注于开发能够有效和准确诊断的模型，假设一个可穿戴设备。在相关的研究中，有人提出了一个结合卷积层和递归层的学习模型作为心律失常的分类模型，并报道了从MIT-Bih心律失常数据库中对正常和心律失常进行欠采样的算法；然而，以前的这些研究大多是在基于PC的在个人电脑上的模拟环境，很少有人考虑过嵌入式可穿戴设备的实际实施。本研究被认为有这样的优势：假设心电图数据用于对嵌入式可穿戴设备上的心律失常进行分类，研究构建一个可以利用模型压缩实现效率和高精确度的算法。

另一方面，这项研究的挑战包括：需要对心电图进行标准化；考虑正在调查的算法以外的算法--例如强化学习。在本研究使用的心电图中，诊断标准的标准化目前是一个挑战--临床医生对心电图的解释可能有不同的意见，需要确定一个统一的观点。据设想，随着设备的普及，这方面的标准化将得到促进。另一个需要考虑的相关算法是强化学习。当假设使用可穿戴设备时，就像本研究一样，有必要考虑模型大小、推理时间和电流消耗等约束条件--因此，考虑到这些约束条件，得出最佳学习模型是有效的。在本研究的评估中考虑了Resnet和Mobilenet，但根据可穿戴设备的性能、模型大小、推理时间、电流消耗等因素，很有可能出现显著的性能下降--因此，鉴于这些限制，推导出一个用于嵌入式的最佳学习模型是非常有用的。可以部署能够优化可穿戴设备的学习模型的RL，这被认为是有效的。