要約
リザーバーコンピューティングのパラダイムは、心電図信号に基づいて心拍異常をオンラインで分類するために使用されます。脳の情報処理原理に着想を得たリザーバーコンピューティングは、時間依存情報を処理する再帰型ニューラルネットワーク（RNN）の設計、学習、分析のための枠組みを提供します。その計算効率と学習が単純な線形回帰に相当することから、この監督学習アルゴリズムはデジタルコンピュータだけでなく、ニューモルフィックマイクロチップなどの新規非伝統的なハードウェアプラットフォームでも有用な計算を実装する戦略として様々な観点から検討されています。本研究では、生物学的に着想を得たこの学習フレームワークを利用して、正確な患者適応モデルを開発し、ウェアラブル心臓イベントモニタリングデバイスへの統合の可能性を探ります。提案された患者カスタマイズモデルは、MIT-BIH不整脈データベースから選択したECG記録を使用して訓練およびテストされました。制限的な包含基準が用いられ、少なくとも2つの心拍クラスを含み、かつそのインスタンス数が著しく異なるECGのみで研究が行われました。広範なシミュレーション結果は、このモデルが正確で安価かつ高速な患者カスタマイズ心拍分類器を提供するとともに、出力重みを加重リッジ回帰（weighted ridge-regression）を使用して訓練することで「クラスの不均衡」問題を回避できることを示しています。