КЛАСИФІКАЦЯ АРИТМІЙ З ВИКОРИСТАННЯМ МЕТОДІВ ГЛИБОКОГО НАВЧАННЯ В УМОВАХ АПАРАТНИХ ОБМЕЖЕНЬ НОСИМИХ ПРИСТРОЇВ

Анотація

Довготривалий моніторинг ЕКГ за допомогою носимих пристроїв відкриває широкі можливості раннього виявлення порушень ритму поза клінікою, однак точність класифікації часто недостатня з точки зору безпеки. Зі старінням населення і зростанням поширеності аритмій зростає попит на надійні алгоритми, здатні своєчасно виявляти небезпечні стани. Головні проблема в застосуванні носимих пристроїв — їх апаратні обмеження: мала кількість відведень, нижча частота дискретизації та розрядність, обмежений динамічний діапазон і ресурс живлення, а також контактні й рухові артефакти. За таких умов дієвим є поєднання методів глибокого навчання з керованим розміщенням обчислень між пристроєм і хмарою: перші детектують тонкі морфологічні зміни та довгі ритмічні залежності, другі зменшують навантаження на акумулятор і подовжують час автономної роботи. Запропонований підхід узгоджує клінічну релевантність із реаліями носимих пристроїв, визначає вимоги до підготовки сигналу, архітектур моделей і політики обчислень та слугує основою для масштабованих сервісів скринінгу й моніторингу аритмій. Робота також узагальнює ключові ЕКГ-ознаки та переводить їх у вимоги до даних і моделей.