Das Paradigma des Reservoir-Computing wird zur Online-Klassifizierung von Herzschlaganomalien auf der Grundlage von Elektrokardiogramm-Signalen eingesetzt. Inspiriert durch die Prinzipien der Informationsverarbeitung im Gehirn bietet Reservoir-Computing einen Rahmen zur Gestaltung, Ausbildung und Analyse rekurrenter Neuronaler Netze (RNNs) für die Verarbeitung zeitabhängiger Informationen. Aufgrund seiner Recheneffizienz und der Tatsache, dass das Training einer einfachen linearen Regression entspricht, wird dieser überwachte Lernalgorithmus nicht nur als Strategie zur Implementierung nützlicher Berechnungen auf digitalen Computern, sondern auch auf neuartigen unkonventionellen Hardware-Plattformen wie neuromorphen Mikrochips betrachtet. In diesem Kontext wird das biologisch inspirierte Lernframework genutzt, um ein präzises, patientenangepasstes Modell zu entwickeln, das das Potenzial hat, in tragbare Geräte zur Überwachung von Herzereignissen integriert zu werden. Das vorgeschlagene patientenspezifische Modell wurde anhand von EKG-Aufzeichnungen aus der MIT-BIH-Arrhythmie-Datenbank trainiert und getestet. Restriktive Einschlusskriterien wurden angewendet, um die Studie ausschließlich an EKGs durchzuführen, die mindestens zwei Herzschlagklassen mit stark unterschiedlichen Anzahl von Instanzen enthalten. Die Ergebnisse umfangreicher Simulationen zeigten, dass dieses Modell nicht nur eine genaue, kostengünstige und schnelle Klassifikation von Herzschlägen für den Patienten ermöglicht, sondern auch das Problem der „ungleich verteilten Klassen“ umgeht, wenn die Ausgabegewichte mittels gewichteter Ridge-Regression trainiert werden.