心房颤动患者的心律史。 插图：心电图尽管如此，智能手表还是有一些实际好处。 如果将它们与深度学习应用程序一起使用并分析数据，那么医学信息将非常有用。
记住您是如何去看治疗师的-他在他的胸口上戴了听诊器，并听了心脏的运转，注意噪音和其他异常情况。 在这种情况下，您可能会被发送到心电图或心脏超声。 但问题在于，即使在大多数情况下，他也不会听到任何心律不齐。 心律失常通常仅周期性地表现出来。 实际上，大约有25％的人一生
都会出现心律不齐，但是我们大多数人
永远不会知道 。 据
统计 ，有10％的中风发生在未经诊断的房颤患者中。
健身手环和其他可测量心率的可穿戴设备是一个全新的世界。 想象一下，您的心率每天都在不断测量，如果出现问题，医生会收到通知。 但是，普通手表的测量精度如何？
为了对此进行测试，相应的移动应用程序的开发者
Cardiogram与位于加利福尼亚大学旧金山分校的心脏病学系一起
对mRhythm进行了大规模研究 。
首先，开发了一个经过训练的神经网络，可以在历史数据中识别出心房颤动（心律不齐的最常见类型）的数据收集历史。 下图显示了神经网络的体系结构。
来自传感器的数据分为四层残差和卷积神经元，每一层后都有最大元素（最大池）的选择。 输出被发送到四个残留的双向LSTM层。 最后，滤波器长度为1的单个卷积层会在每个时间步长生成预测性估计为了训练神经网络，我们使用了Cardiogram移动应用程序用户的数据。 他们收到了200台AliveCor移动心电图仪。 用户记录了6338张心电图，对房颤表示阳性或阴性。 训练后，神经网络能够根据Apple Watch的常规统计数据来计算预测。 作为一种启发式的预训练，该神经网络还处理了心电图用户的1.39亿个心率测量值。
经过这样的培训，诊断的准确性高于其他类型的诊断。 这项研究的结果在加利福尼亚大学旧金山分校的心脏病专家
心律学会会议上提出。
在51名患者进行心脏复律之前和之后，对房颤的识别准确性进行了测试-这是恢复心律不齐（通过现有方法或化学方法进行除颤）患者心律均匀的程序。
在对来自Apple Watch应用程序的Apple Watch的心率数据进行神经网络训练后，AUC（曲线下的面积）为0.97，
可以确定房颤的敏感性为98.04％，特异性为90.2％ ！ 考虑到Apple Watch是在中国组装的简单电子设备，它提供的信息非常不准确，因此这些指标是出色的指标，它并不代表真正的医疗器械。 但是，即使这些数据也足以用于诊断。
测量心率的“智能手表”尚未普及，但是，几乎每个人都负担得起。 收集心率统计数据本身很有趣。 只需观察指标如何变化，相对于最大心率的频率进入第四和第五区域的频率，以及之后恢复正常心率的速度。
在高峰时间开车，迟于16:00召开重要会议。 插图：心电图
疯狂的锻炼。 插图：心电图
网球比赛。 插图：心电图数据挖掘心率统计数据并不是神经网络在医学中的唯一应用。 2016年12月，一个Google研究小组训练了神经网络，以
比眼科医生更准确地检测出糖尿病性视网膜病变（当视网膜血管受到影响时，糖尿病是最严重的并发症之一）。 一个月后，斯坦福大学的研究人员在《
自然》杂志上发表了一篇关于神经网络如何从病变照片中识别出皮肤癌病例的科学文章。
心房颤动的检测是应用于医学的深度学习的另一个重要成就。 心电图专家相信，除了心房颤动之外，神经网络还可以根据从智能手表收集的数据来检测其他心脏病。 唯一的问题是培训。 例如，当用户单击某个按钮时，我们会考虑使用增强的自学习选项，这表示发生了恐慌发作。 随着时间的流逝，神经网络将突出显示恐慌发作的迹象，并将能够自行检测到它。