6、基于轻量级自编码器和变分自编码器的个性化心律失常检测

基于轻量级自编码器和变分自编码器的个性化心律失常检测

1. 引言

物联网的快速发展为智能医疗提供了大量数据，研究人员开始运用各种机器学习和深度学习方法辅助诊断疾病。心律失常作为常见的心血管疾病，每年导致数百万人死亡。过去，心律失常检测依赖专业仪器收集心电图（ECG）信号，并由专业医生进行判断，这不仅加重了医生负担，还难以及时诊断。

目前，基于机器学习和深度学习的心律失常检测研究备受关注。但机器学习方法对训练数据要求高，实际中患者心律失常心跳远少于正常心跳，导致训练数据存在类别不平衡问题。深度学习方法常训练大型综合深度分类模型，成本高且仍存在类别不平衡问题。为避免该问题，一些方法采用无监督模型，如自编码器（AE）和变分自编码器（VAE），其中VAE结构简单，训练速度快。

为解决上述问题，提出了无监督个性化心律失常检测系统PerAD，其核心包括轻量级自编码器ShaAE和快速推理变分自编码器，在MIT - BIH心律失常数据库上表现良好，且易于部署在个人边缘设备。主要贡献如下：
- 提出用于心律失常检测的轻量级自编码器ShaAE，基于RNN的轻量级结构，可并行处理数据，易部署到边缘可穿戴设备。
- 提出无监督个性化心律失常检测系统PerAD，为每个用户提供单独的ShaAE进行检测，训练阶段无数据不平衡问题，系统更灵活。
- 使用快速推理VAE辅助训练ShaAE，该VAE推理时间短，模拟样本辅助训练后ShaAE性能大幅提升。

2. 相关工作

2.1 心律失常检测

机器学习和深度学习方法广泛应用于心律失常检测。循环神经网络（RNN）擅长提取时间序列数据的上下文特征，长短期记忆网络（LSTM）和