个性化零样本心电图心律失常监测系统：从基于稀疏表示的领域适应到实用心电图监控中的能效异常搏动检测

本文提出了一种低成本且高精度的心电图（ECG）监测系统，旨在为可穿戴移动传感器提供个性化的早期心律失常检测。以往用于个性化心电图监测的监督方法需要同时使用异常和正常的心跳数据来训练专用分类器。然而，在现实世界中，当个性化算法嵌入到可穿戴设备时，对于没有心脏病史的健康人群而言，这些训练数据并不可用。在本研究中：(i) 我们提出了对通过稀疏字典学习获得的健康信号空间进行零空间分析，并探讨了简单的零空间投影或替代的正则化最小二乘分类方法如何在不牺牲检测准确性的情况下降低计算复杂度，与基于稀疏表示的分类方法相比。(ii) 然后我们引入了一种基于稀疏表示的域适应技术，以将其他现有用户的心电图异常和正常信号投影到新用户的心电信号空间上，从而使我们能够在没有新用户的任何异常心跳数据的情况下训练专用分类器。因此，无需生成合成的异常心跳即可实现零样本学习。在基准MIT-BIH心电图数据集上进行的一系列广泛实验表明，当使用这种基于域适应的训练数据生成器与简单的1维卷积神经网络（CNN）分类器结合时，该方法显著优于先前的工作。(iii) 接着，通过结合(i)和(ii)，我们提出了一种集成分类器，进一步提高了性能。这种零样本心律失常检测方法达到了平均98.2%的准确率和92.8%的F1分数。最后，利用上述创新提出了一种个性化的节能心电图监测方案。