ترجمه فارسی مقاله ConvexECG: شبکه های عصبی سبک و قابل توضیح برای نظارت شخصی و مداوم قلبی

چکیده

We present ConvexECG, an explainable and resource-efficient method for reconstructing six-lead electrocardiograms (ECG) from single-lead data, aimed at advancing personalized and continuous cardiac monitoring. ConvexECG leverages a convex reformulation of a two-layer ReLU neural network, enabling the potential for efficient training and deployment in resource constrained environments, while also having deterministic and explainable behavior. Using data from 25 patients, we demonstrate that ConvexECG achieves accuracy comparable to larger neural networks while significantly reducing computational overhead, highlighting its potential for real-time, low-resource monitoring applications.

چکیده به فارسی (ترجمه ماشینی)

ما محدب ، یک روش قابل توضیح و کارآمد برای بازسازی الکتروکاردیوگرام شش سرب (ECG) از داده های تک سر ، با هدف پیشبرد نظارت بر قلب شخصی و مداوم را ارائه می دهیم.محدب یک شبکه عصبی دو لایه از یک شبکه عصبی دو لایه را به کار می برد و امکان آموزش و استقرار کارآمد در محیط های محدود شده منابع را فراهم می کند ، در حالی که دارای رفتار تعیین کننده و قابل توضیح است.با استفاده از داده های 25 بیمار ، ما نشان می دهیم که محدب به دقت قابل مقایسه با شبکه های عصبی بزرگتر و در عین حال کاهش قابل توجهی در سربار محاسباتی ، برجسته می شود و پتانسیل آن را برای برنامه های نظارت بر منبع کم و در زمان واقعی نشان می دهد.