Ein schnelles maschinelles Lernmodell für die EKG-basierte Herzschlagklassifizierung und Arrhythmiedetektion

Wir präsentieren einen vollständig automatischen und schnellen EKG-Arrhythmie-Klassifikator, basierend auf einem einfachen, brain-inspirierten maschinellen Lernansatz namens Echo State Networks (ESN). Unser Klassifikator erfordert eine geringe Anforderung an die Merkmalsverarbeitung und benötigt lediglich ein einzelnes EKG-Leitungssegment. Die Schulung und Validierung erfolgt im inter-patienten-Verfahren. Unser Ansatz ist mit einer Online-Klassifikation kompatibel und passt gut zu den jüngsten Fortschritten in drahtlosen Gesundheitsüberwachungsgeräten und Wearables. Die Verwendung einer Kombination aus Ensembles ermöglicht es uns, Parallelität auszunutzen, um den Klassifikator mit bemerkenswerter Geschwindigkeit zu trainieren. Der Herzschlag-Klassifikator wird an zwei EKG-Datenbanken evaluiert: der MIT-BIH AR und der AHA-Datenbank. In der MIT-BIH AR-Datenbank erreicht unsere Klassifikationsmethode eine Sensitivität von 92,7 % und eine positive Vorhersagewertigkeit von 86,1 % für ventrikuläre Extrasystolen bei Verwendung der Lead-II, sowie eine Sensitivität von 95,7 % und eine positive Vorhersagewertigkeit von 75,1 % bei Verwendung von Lead V1. Diese Ergebnisse sind mit dem Stand der Technik bei vollständig automatischen EKG-Klassifikatoren vergleichbar und übertrifft sogar andere EKG-Klassifikatoren, die komplexere Merkmalsauswahlansätze verfolgen.