Modèles de Reservoir Computing pour la surveillance adaptée aux patients des ECG dans les dispositifs portables

Le paradigme du calcul de réservoir est utilisé pour classer les anomalies cardiaques en ligne à partir de signaux d'électrocardiogramme (ECG). Inspiré par les principes de traitement de l'information dans le cerveau, le calcul de réservoir fournit un cadre pour concevoir, entraîner et analyser des réseaux de neurones récurrents (RNN) destinés au traitement d'informations dépendantes du temps. Grâce à son efficacité computationnelle et au fait que l'entraînement se résume à une simple régression linéaire, cet algorithme d'apprentissage supervisé a été considéré comme une stratégie pour mettre en œuvre des calculs utiles non seulement sur des ordinateurs numériques mais aussi sur des plateformes matérielles non conventionnelles émergentes telles que les microprocesseurs néuromorphiques. Ici, ce cadre d'apprentissage inspiré par la biologie est exploité pour élaborer un modèle précis et adapté aux patients, qui a le potentiel d'être intégré dans des dispositifs portables de surveillance des événements cardiaques. Le modèle personnalisé proposé a été entraîné et testé sur des enregistrements ECG sélectionnés dans la base de données MIT-BIH d'arythmies. Des critères d'inclusion restrictifs ont été utilisés pour mener l'étude uniquement sur des ECG comprenant au moins deux classes de battements de cœur avec un nombre très inégal d'instances. Les résultats de simulations approfondies ont montré que ce modèle non seulement fournit un classifieur de battements de cœur personnalisé aux patients précis, peu coûteux et rapide, mais aussi contourne le problème des « classes déséquilibrées » lorsque les poids de sortie sont entraînés à l'aide d'une régression ridge pondérée.