基于微型机器学习的心律失常预测  

作　　者：檀佳玟 

机构地区：[1]苏州大学计算机科学与技术学院,江苏苏州215031

出　　处：《新潮电子》2025年第7期85-87,共3页

摘　　要：室颤(VF)和室性心动过速(VT)是两种危及生命的室性心律失常(VA),是导致心源性猝死(SCD)的主要原因。患有SCD的高风险人群在经历危及生命的VA时需要植入式心脏复律除颤器(ICD)提供及时的除颤治疗,然而传统的部署在ICD上的检测方法依赖于从临床试验中获得的各种标准,且除颤实施决策受到数百个可编程标准参数的影响。本文希望在STM32开发板上利用优化的人工智能神经网络架构构建一种深度学习算法,仅通过单腔ICD感测的标记单通道心内电图(IEGM)记录区分VA和非VA症状,模拟识别心率异常并进行警报的过程。通过涉及的专业知识较少的自动检测进一步提高检测性能,并减少医生在标准设计和参数调整方面的工作量,同时有效减少设备的内存占用和推理延迟。近年来,随着算力提升、互联性提高以及大数据兴起,人工智能系统在各行各业迅速发展和普及。当下人工智能已经触及人们生活的方方面面,在边缘运行这些人工智能模型具有低延迟结果和保护数据隐私等优点。而随着边缘设备的激增,互联网网络边缘产生的数据也呈指数级增长。机器学习(Machine Learning,ML)模型,尤其是深度神经网络(Deep Neural Networks,DNN)有能力准确处理这些数据。然而,最先进的ML模型需要大量的计算资源,这对计算能力有限、资源受限的边缘设备而言是一项巨大挑战,轻量化的学习模型可以在一定程度上降低资源需求。本文将介绍如何在STM32上进行轻量级CNN模型的部署以实现心律失常预测。

关 键 词：TinyML 深度学习 STM32 心率失常 

分 类 号：TP3[自动化与计算机技术—计算机科学与技术]