Проблемы внедрения алгоритмов машинного обучения в интеллектуальные носимые медицинские устройства мониторинга

Г. Х. Ирзаев

Аннотация


Проведена классификация носимых медицинских устройств для мониторинга состояния пациентов. Подчеркнуты особенности использования алгоритмов машинного обучения для носимых устройств в целях диагностики заболеваний, фиксации приступов, обнаружения аритмии, падений, стресса, распознавания физической и эмоциональной активности, назначения реабилитации. Рассмотрены методы машинного обучения в частном случае применения носимого устройства для наблюдения сердечной аритмии пациента. Проведен анализ исследований, в которых в качестве алгоритмов машинного обучения использовались метод опорных векторов и метод случайного леса для классификации аритмии. Рассмотрены работы, в которых используются подходы глубокого обучения для неструктурированных данных, в частности, архитектура сверточной нейронной сети для классификации аритмии и фибрилляции предсердий. Выявлены проблемы и ограничения использования машинного обучения в носимых устройствах. Предложены оптимальные решения проблем, связанных с надежностью и доступностью данных, выбором модели машинного обучения, безопасностью и конфиденциальностью данных пациентов, энергопотреблением и ограниченными объемами памяти носимых устройств.

Ключевые слова


Носимое медицинское устройство; машинное обучение; искусственный интеллект; мониторинг аритмии; электрокардиограмма; метод опорных векторов; сверточная нейронная сеть; метод случайного леса.

Полный текст:

PDF

Литература


Bashar S. K., Han D., Zieneddin F., Ding E., Fitzgibbons T. P., Walkey A. J., McManus D. D., Javidi B., Chon K. H. Novel Density Poincaré Plot Based Machine Learning Method to Detect Atrial Fibrillation from Premature Atrial/Ventricular Contractions // IEEE Trans. Biomed. Eng. 2021. Vol. 68. Pp. 448–460. DOI: 10.1109/TBME.2020.3004310.

Bazi Y., Al Rahhal M. M., AlHichri H., Ammour N., Alajlan N., Zuair M. Real-Time Mobile-Based Electrocardiogram System for Remote Monitoring of Patients with Cardiac Arrhythmias // Int. J. Pattern Recognit. Artif. Intell. 2020. Vol. 34. P. 2058013. DOI: 10.1142/S0218001420580136.

Ben Itzhak S., Ricon S. S., Biton S., Behar J. A., Sobel J. A. Effect of temporal resolution on the detection of cardiac arrhythmias using HRV features and machine learning // Physiol. Meas. 2022. Vol. 43. P. 045002. DOI: 10.1088/1361-6579/ac6561.

Cai W., Chen Y., Guo J.et al. Accurate detection of atrial fibrillation from 12-lead ECG using deep neural network // Comput. Biol. Med. 2020. Vol. 116. Pp. 103378. DOI: 10.1016/j.compbiomed.2019.103378.

Chen E., Jiang J., Su R., Gao M., Zhu S., Zhou J., Huo Y. A new smart wristband equipped with an artificial intelligence algorithm to detect atrial fibrillation // Heart Rhythm. 2020. Vol. 17. Pp. 847–853. DOI: 10.1016/j.hrthm.2020.01.034.

Cheng Y., Hu Y., Hou M., Pan T., He W., Ye Y. Atrial Fibrillation Detection Directly from Compressed ECG with the Prior of Measurement Matrix // Information. 2020. Vol. 11. P. 436. DOI: 10.3390/info11090436.

Chen Y., Zhang C., Liu C., Wang Y., Wan X. Atrial Fibrillation Detection Using a Feedforward Neural Network // J. Med. Biol. Eng. 2022. Vol. 42. Pp. 63–73. DOI: 10.1007/s40846-022-00681-z.

Fu W., Li R. Diagnostic performance of a wearing dynamic ECG recorder for atrial fibrillation screening: The HUAMI heart study // BMC Cardiovasc. Disord. 2021. Vol. 21. P. 558.

Hua J., Zhang H., Liu J., Xu Y., Guo F. Direct Arrhythmia Classification from Compressive ECG Signals in Wearable Health Monitoring System // J. Circuits Syst. Comput. 2018. Vol. 27/ P. 1850088. DOI: 10.1142/S0218126618500883.

Jeon E., Oh K., Kwon S., Son H., Yun Y., Jung E.-S., Kim M.S. A Lightweight Deep Learning Model for Fast Electrocardiographic Beats Classification with a Wearable Cardiac Monitor: Development and Validation Study // JMIR Public Health Surveill. 2020. Vol. 8/ P. e17037. DOI: 10.2196/17037.

Karthiga S., Abirami A. M. Deep Learning Convolutional Neural Network for ECG Signal Classification Aggregated Using IoT // Comput. Syst. Sci. Eng. 2022. Vol. 42. Pp. 851–866. DOI: 10.32604/csse.2022.021935.

Lee H., Shin M. Learning Explainable Time-Morphology Patterns for Automatic Arrhythmia Classification from Short Single-Lead ECGs // Sensors. 2021. Vol. 21. P. 4331. DOI: 10.3390/s21134331.

Lee K.-S., Park H.-J., Kim J. E., Kim H. J., Chon S., Kim S., Jang J., Kim J.-K., Jang S., Gil Y., et al. Compressed Deep Learning to Classify Arrhythmia in an Embedded Wearable Device // Sensors. 2022. Vol. 22. P. 1776. DOI: 10.3390/s22051776.

Li Y., Pang Y., Wang J., Li X. Patient-specific ECG classification by deeper CNN from generic to dedicated // Neurocomputing. 2018. Vol. 314. Pp. 336–346. DOI: 10.1016/j.neucom.2018.06.068.

Lown M., Brown M., Brown C., Yue A. M., Shah B. N., Corbett S. J., Lewith G., Stuart B., Moore M., Little P. Machine learning detection of Atrial Fibrillation using wearable technology // PLoS ONE. 2020. Vol. 15/ Pp. e0227401. DOI: 10.1371/journal.pone.0227401.

Ma C., Wei S., Chen T., Zhong J., Liu Z., Liu C. Integration of Results from Convolutional Neural Network in a Support Vector Machine for the Detection of Atrial Fibrillation // IEEE Trans. Instrum. Meas. 2021. Vol. 70. Pp. 215-220. DOI: 10.1109/TIM.2020.3044718.

Mei Z., Gu X., Chen H., Chen W. Automatic Atrial Fibrillation Detection Based on Heart Rate Variability and Spectral Features // IEEE Access. 2018. Vol. 6. Pp. 53566–53575.

Meng L., Tan W., Ma J., Wang R., Yin X., Zhang Y. Enhancing dynamic ECG heartbeat classification with lightweight transformer model // Artif. Intell. Med. 2022. Vol. 124. Pp. 102236. DOI: 10.1016/j.artmed.2022.102236.

Panganiban E. B., Paglinawan A. C., Chung W. Y., Paa G. L. S. ECG diagnostic support system (EDSS): A deep learning neural network based classification system for detecting ECG abnormal rhythms from a low-powered wearable biosensors // Sens. Bio-Sens. Res. 2021. Vol. 31. Pp. 100398. DOI: 10.1016/j.sbsr.2021.100398.

Perez M. V., Mahaffey K. W., Hedlin H., Rumsfeld J. S., Garcia A., Ferris T., Balasubramanian V., Russo A. M., Rajmane A., Cheung L., et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation // N. Engl. J. Med. 2019. Vol. 381. Pp. 1909–1917. DOI: 10.1056/NEJMoa1901183.

Pławiak P., Acharya U. R. Novel deep genetic ensemble of classifiers for arrhythmia detection using ECG signals // Neural Comput. Appl. 2020. Vol. 32. Pp. 11137–11161. DOI: 10.1007/s00521-018-03980-2.

Ramesh J., Solatidehkordi Z., Aburukba R., Sagahyroon A. Atrial Fibrillation Classification with Smart Wearables Using Short-Term Heart Rate Variability and Deep Convolutional Neural Networks // Sensors. 2021. Vol. 21. P. 7233. DOI: 10.3390/s21217233.

Ribeiro H. D. M., Arnold A., Howard J. P., Shun-Shin M. J., Zhang Y., Francis D. P., Lim P. B., Whinnett Z., Zolgharni M. ECG-based real-time arrhythmia monitoring using quantized deep neural networks: A feasibility study // Comput. Biol. Med. 2022. Vol. 143/ Pp. 26093–26106. DOI: 10.1016/j.compbiomed.2022.105249.

Santala O. E., Halonen J., Martikainen S. et al. Automatic Mobile Health Arrhythmia Monitoring for the Detection of Atrial Fibrillation: Prospective Feasibility, Accuracy, and User Experience Study // JMIR mHealth uHealth. 2021. Vol. 9. P. 29933. DOI: 10.2196/29933.

Shao M., Zhou Z., Bin G., Bai Y., Wu S. A Wearable Electrocardiogram Telemonitoring System for Atrial Fibrillation Detection // Sensors. 2020. Vol. 20. P. 606. DOI: 10.3390/s20030606.

Smisek R., Hejc J., Ronzhina M., Nemcova A., Marsanova L., Kolarova J., Smital L., Vitek M. Multi-stage SVM approach for cardiac arrhythmias detection in short single-lead ECG recorded by a wearable device // Physiol. Meas. 2018. Vol. 39. P. 094003. DOI: 10.1088/1361-6579/aad9e7.

Tang X., Ma Z., Hu Q., Tang W. A Real-Time Arrhythmia Heartbeats Classification Algorithm Using Parallel Delta Modulations and Rotated Linear-Kernel Support Vector Machines // IEEE Trans. Biomed. Eng. 2020. Vol. 67. Pp. 978–986. DOI: 10.1109/TBME.2019.2926104.

Yu J., Wang X., Chen X., Guo J. Automatic Premature Ventricular Contraction Detection Using Deep Metric Learning and KNN // Biosensors. 2021. Vol. 11. P. 69. DOI: 10.3390/bios11030069.

Zhang H., Dong Z., Gao J., Lu P., Wang Z. Automatic screening method for atrial fibrillation based on lossy compression of the electrocardiogram signal // Physiol. Meas. 2020. Vol. 41. P. 075005. DOI: 10.1088/1361-6579/ab979f.

Zhang P., Ma C., Sun Y., Fan G., Song F., Feng Y., Zhang G. Global hybrid multi-scale convolutional network for accurate and robust detection of atrial fibrillation using single-lead ECG recordings // Comput. Biol. Med. 2021. Vol. 139. P. 104880. DOI: 10.1016/j.compbiomed.2021.104880.

Zhang Y., Liu S., He Z., Zhang Y., Wang C. A CNN Model for Cardiac Arrhythmias Classification Based on Individual ECG Signals // Cardiovasc. Eng. Technol. 2022. Vol. 13. Pp. 548–557. DOI: 10.1007/s13239-021-00599-8.

Zipes D. P., Wellens H .J. J. Sudden Cardiac Death // Circulation. 1998. Vol. 98. Pp. 2334–2351.

Быкова О. Н., Гузеева О. В. Факторы риска и профилактика ишемического инсульта // Вестник Российской военно-медицинской академии. 2013. № 4 (44). С. 46–48. EDN: RPTIHN. [[Bykova O. N., Guzeeva O. V. “Risk factors and prevention of ischemic stroke” // Bulletin of the Russian Military Medical Academy. 2013. No. 4 (44). Pp. 46–48. EDN: RPTIHN. (In Russian).]]

Губкин С.В., Лемешко Е.В., Васюкевич С.Н., Жогаль К.Н., Кохан С.Б., Рубахова В.М. Портативные медицинские устройства длительного мониторирования показателей состояния здоровья пациента // Новости медико-биологических наук. 2021. Т. 21. № 3. С. 188-196. EDN: FQIXDG. [[Gubkin S.V., Lemeshko E.V., Vasyukevich S.N., Zhogal K.N., Kokhan S.B., Rubakhova V.M. “Portable medical devices for long-term monitoring of patient health indicators“ // News of medical and biological sciences. 2021. Vol. 21. No. 3. Pp. 188-196. EDN: FQIXDG. (In Russian).]]

Елизарова А. В., Саитова Г. А., Момзиков Н. В. Выбор архитектуры нейронной сети для прогнозирования состояния заряда аккумулятора // СИИТ. 2023. Т. 5, № 4(13). С. 123-131. DOI 10.54708/2658-5014-SIIT-2023-no4-p123. EDN RXSDIA. [[Elizarova A. V., Saitova G. A., Momzikov N. V. Selecting a neural network architecture for predicting the battery charge state // SIIT. 2023. Vol. 5, No. 4(13). P. 123-131. (In Russian).]]

Кастей Р. М., Дюсембеков Е. К., Зетов А. Ш. и др. Эпидемиологические аспекты и факторы развития острых нарушений мозгового кровообращения (литературный обзор) // Вестник Казахского национального медицинского университета. 2020. № 2-1. С. 591–596. EDN: AAAPSQ.

Махмутов А. Р., Вульфин А. М., Миронов К. В. Исследование возможностей автономной работы конечных устройств интернета вещей // СИИТ. 2023. Т. 5, № 1(10). С. 41-47. DOI 10.54708/2658-5014-SIIT-2023-no1-p41. EDN DPEMFA. [[Makhmutov A. R., Vulfin A. M., Mironov K. V. Study of the capabilities of autonomous operation of end devices of the Internet of Things // SIIT. 2023. Vol. 5, No. 1(10). P. 41-47. (In Russian).]]

Туровинина Е. Ф., Лебедев Д. И., Агафонова М. А., Барсукова Л. Л. Эпидемиологические аспекты и технологии вторичной профилактики у пациентов, перенесших ишемический инсульта // Медицинский альманах. 2018. № 4 (55). С. 119–122. DOI: 10.21145/2499-9954-2018-4-119-122. EDN: YLKQRN. [[Turovinina E. F., Lebedev D. I., Agafonova M. A., Barsukova L. L. “Epidemiological aspects and technologies of secondary prevention in patients who have suffered ischemic stroke” // Medical Almanac. 2018. No. 4 (55). P. 119–122. DOI: 10.21145/2499-9954-2018-4-119-122. EDN: YLKQRN. (In Russian).]]

Харченко С. Б. Разработка энергоэффективных схем для носимых электронных устройств // Экономика и управление: проблемы, решения. 2024. Т. 9, № 11. С. 77-83. DOI: 10.36871/ek.up.p.r. 2024.11.09.011. EDN: LCDKJP. [[Kharchenko S. B. “Development of energy-efficient circuits for wearable electronic devices“ // Economics and Management: Problems, Solutions. 2024. Vol. 9, No. 11. Pp. 77-83. DOI: 10.36871/ek.up.p.r. 2024.11.09.011. EDN: LCDKJP. (In Russian).]]




DOI: https://doi.org/10.54708/SIIT-2026-no1-p19

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2025 Г. Х. Ирзаев