초록
저수지 컴퓨팅 패러다임은 전기심장도 신호를 기반으로 심박 이상을 실시간으로 분류하는 데 사용됩니다. 뇌의 정보 처리 원리에서 영감을 받은 저수지 컴퓨팅은 시간에 따라 변하는 정보를 처리하기 위한 순환 신경망(RNNs)의 설계, 학습 및 분석을 위한 프레임워크를 제공합니다. 이 지도 학습 알고리즘은 계산 효율성이 뛰어나고 학습이 간단한 선형 회귀에 불과하기 때문에, 디지털 컴퓨터뿐만 아니라 뉴로모픽 마이크로칩과 같은 새로운 비전통적 하드웨어 플랫폼에서도 유용한 계산을 구현하는 전략으로 다양하게 고려되었습니다. 본 연구에서는 이러한 생물학적으로 영감받은 학습 프레임워크를 활용하여 정확한 환자 맞춤형 모델을 개발하였으며, 이 모델은 착용형 심장 사건 모니터링 장치에 통합될 가능성이 있습니다. 제안된 환자 맞춤형 모델은 MIT-BIH 부정맥 데이터베이스에서 선택된 전기심장도 기록을 통해 학습 및 테스트되었습니다. 제한적인 포함 기준이 적용되어, 최소 두 가지 이상의 심박 클래스가 포함되며 각 클래스의 인스턴스 수가 크게 차이나는 전기심장도만 대상으로 연구가 수행되었습니다. 광범위한 시뮬레이션 결과는 이 모델이 정확하고, 비용 효율적이며, 빠른 환자 맞춤형 심박 분류기를 제공함과 동시에 가중치 릿지 회귀(weighted ridge-regression)를 사용하여 출력 가중치를 학습할 때 "클래스 불균형" 문제를 해결할 수 있음을 보여주었습니다.