摘要
水库计算范式被用于基于心电图信号在线分类心跳异常。该方法受到大脑信息处理原理的启发，为设计、训练和分析递归神经网络（RNNs）以处理时间相关的信息提供了一个框架。由于其计算效率高且训练过程仅涉及简单的线性回归，这种监督学习算法不仅在数字计算机上被视为实现有用计算的一种策略，而且在新兴的非传统硬件平台（如神经形态微芯片）上也得到了广泛考虑。本文中，这一生物启发的学习框架被用来开发一个精确的患者自适应模型，该模型有望集成到可穿戴心脏事件监测设备中。所提出的患者定制模型使用了从MIT-BIH心律失常数据库中选取的心电图记录进行训练和测试。研究采用了严格的纳入标准，仅对包含至少两类心跳且实例数量高度不均衡的心电图进行了研究。广泛的模拟结果显示，该模型不仅提供了准确、经济且快速的患者定制心跳分类器，还通过使用加权岭回归训练输出权重解决了“类别不平衡”问题。