Heartbeat by heartbeat - lightweight variational learning for resource-constrained ischemia detection

Myocardial ischemia, a pathological condition arising from inadequate perfusion of the cardiac muscle, constitutes a leading cause of morbidity and mortality worldwide, necessitating continuous monitoring to facilitate timely clinical intervention. Contemporary diagnostic systems leveraging cloud-based computational infrastructure have demonstrated considerable efficacy in automated detection. However, their dependence on persistent network connectivity precludes deployment in resource-constrained settings, limiting accessibility for populations in remote regions, disaster-affected areas, and low-resource healthcare environments. The present thesis addresses this limitation through the development and systematic evaluation of a novel computational framework for automated ischemia detection from single-lead electrocardiographic (ECG) recordings, expressly engineered for execution on mobile and embedded platforms characterised by severe computational and memory constraints. The proposed methodology introduces a beat-centric processing paradigm that constitutes a substantive departure from conventional approaches predicated upon fixed-duration temporal windows. By establishing individual cardiac cycles as the fundamental unit of analysis, this architectural formulation achieves a 16-fold reduction in per-beat memory requirements compared to standard fixed-window approaches, with encoder inference requiring only 5.6 KB per beat versus ∼ 90 KB for typical 10-second window processing. Central to the proposed framework is a Variational Autoencoder (VAE) that learns compact latent representations of dimension 16, preserving morphological features of diagnostic relevance—notably ST-segment deviation and T-wave abnormalities—whilst simultaneously imposing regularisation through minimisation of the Kullback-Leibler divergence between the approximate posterior and a standard normal prior distribution. The encoder architecture comprises a lightweight convolutional neural network totalling 56,096 trainable parameters, employing aggressive stride configurations and kernel dimensions specifically calibrated to the characteristic temporal scales of electrocardiographic waveform components. A multi-objective training procedure incorporating reconstruction fidelity, latent space regularisation, focal classification loss, and contrastive learning terms is employed, with dynamic loss balancing achieved through the Gradient Normalization (GradNorm) algorithm to ensure equitable gradient contribution across competing objectives. To transform beat-level probabilistic predictions into clinically interpretable episode-level detections, a hierarchical temporal aggregation pipeline is proposed. This pipeline comprises sliding-window filtering with configurable threshold parameters, followed by interval consolidation aligned with standard clinical annotation granularity. The incorporation of hysteresis mechanisms serves to attenuate prediction oscillation at decision boundaries, yielding a reduction in false positive rate whilst preserving sensitivity to genuine ischemic episodes. Furthermore, post-training quantisation to 8-bit integer arithmetic reduces the model storage footprint to approximately 300 kilobytes, with concomitant accuracy degradation of less than one percentage point. Comprehensive experimental evaluation was conducted utilising the European ST-T Database, a benchmark corpus comprising expert-annotated ambulatory electrocardiographic recordings. The proposed system achieved an area under the receiver operating characteristic curve of 0.902 and balanced accuracy of 88.1% at the beat level. Following hierarchical temporal aggregation, sample-level performance reached 97.04% accuracy, 98.94% specificity, and 86.48% sensitivity. At the episode level, the system detected 4 of 5 ground-truth ischemic events (80% sensitivity) with zero false positive detections (100% precision). Systematic ablation studies elucidate the contribution of individual architectural and methodological components, whilst computational benchmarking across heterogeneous hardware platforms—ranging from server-grade processors to microcontroller-class devices—confirms the feasibility of real-time operation under the target deployment constraints. The contributions of this work are threefold: firstly, the introduction of a beat-centric processing paradigm that reconciles the competing demands of classification accuracy and computational efficiency; secondly, the demonstration that variational representation learning provides an effective inductive bias for morphological feature extraction in the low-data regime characteristic of clinical applications; and thirdly, the provision of a complete, deployable pipeline validated against established benchmarks. These findings advance the state of knowledge regarding the deployment of machine learning systems for cardiac monitoring in resource-constrained environments, with implications for the broader objective of democratising access to automated diagnostic capabilities.

L'ischemia miocardica, condizione patologica derivante da un'inadeguata perfusione del muscolo cardiaco, costituisce una delle principali cause di morbilità e mortalità a livello globale, rendendo necessario un monitoraggio continuo per facilitare un tempestivo intervento clinico. I sistemi diagnostici contemporanei che si avvalgono di infrastrutture computazionali basate su cloud hanno dimostrato considerevole efficacia nel rilevamento automatizzato; tuttavia, la loro intrinseca dipendenza da una connettività di rete persistente preclude fondamentalmente il deployment in contesti con risorse limitate, limitando così l'accessibilità per le popolazioni residenti in aree geografiche remote, zone colpite da disastri e ambienti sanitari a basse risorse. La presente tesi affronta tale limitazione attraverso lo sviluppo e la valutazione sistematica di un nuovo framework computazionale per il rilevamento automatizzato dell'ischemia da registrazioni elettrocardiografiche (ECG) a singola derivazione, espressamente progettato per l'esecuzione su piattaforme mobili ed embedded caratterizzate da severi vincoli computazionali e di memoria. La metodologia proposta introduce un paradigma di elaborazione centrato sul battito che costituisce una sostanziale divergenza dagli approcci convenzionali basati su finestre temporali di durata fissa. Stabilendo i singoli cicli cardiaci come unità fondamentale di analisi, questa formulazione architetturale consegue un consumo di memoria 16 volte inferiore per inferenza rispetto ai metodi standard basati su finestre, consentendo così il deployment su piattaforme con appena 512 kilobyte di memoria Random Access Memory (RAM) disponibile. Elemento centrale del framework proposto è un Variational Autoencoder (VAE) che apprende rappresentazioni latenti compatte di dimensione 16, preservando le caratteristiche morfologiche di rilevanza diagnostica—in particolare la deviazione del segmento ST e le anomalie dell'onda T—imponendo simultaneamente una regolarizzazione attraverso la minimizzazione della divergenza di Kullback-Leibler tra la distribuzione posteriore approssimata e una distribuzione normale standard a priori. L'architettura dell'encoder comprende una rete neurale convoluzionale leggera per un totale di 56.096 parametri addestrabili, impiegando configurazioni di stride aggressive e dimensioni dei kernel specificamente calibrate sulle scale temporali caratteristiche dei componenti della forma d'onda elettrocardiografica. Viene impiegata una procedura di addestramento multi-obiettivo che incorpora fedeltà ricostruttiva, regolarizzazione dello spazio latente, focal loss per la classificazione e termini di apprendimento contrastivo, con bilanciamento dinamico delle loss ottenuto attraverso l'algoritmo Gradient Normalization (GradNorm) per garantire un contributo equo dei gradienti tra obiettivi in competizione. Per trasformare le predizioni probabilistiche a livello di battito in rilevamenti a livello di episodio clinicamente interpretabili, viene proposta una pipeline di aggregazione temporale gerarchica. Tale pipeline comprende un filtraggio a finestra scorrevole con parametri di soglia configurabili, seguito da un consolidamento degli intervalli allineato con la granularità standard delle annotazioni cliniche. L'incorporazione di meccanismi di isteresi serve ad attenuare l'oscillazione delle predizioni ai confini decisionali, producendo una riduzione del tasso di falsi positivi preservando al contempo la sensibilità verso episodi ischemici genuini. Inoltre, la quantizzazione post-training ad aritmetica intera a 8 bit riduce l'occupazione di memoria del modello a circa 300 kilobyte, con una degradazione concomitante dell'accuratezza inferiore a un punto percentuale. È stata condotta una valutazione sperimentale completa utilizzando la European ST-T Database, un corpus di riferimento che comprende registrazioni elettrocardiografiche ambulatoriali annotate da esperti. Il sistema proposto ha raggiunto un'area sotto la curva ROC di 0,902 e un'accuratezza bilanciata dell'88,1% a livello di battito. A seguito dell'aggregazione temporale gerarchica, le prestazioni a livello di campione hanno raggiunto un'accuratezza del 97,04%, una specificità del 98,94% e una sensibilità dell'86,48%. A livello di episodio, il sistema ha rilevato 4 su 5 episodi ischemici di riferimento (sensibilità dell'80%) senza alcun rilevamento falso positivo (precisione del 100%). Studi di ablazione sistematici chiariscono il contributo delle singole componenti architetturali e metodologiche, mentre il benchmarking computazionale su piattaforme hardware eterogenee — dai processori di classe server ai dispositivi di classe microcontrollore — conferma la fattibilità dell’operatività in tempo reale entro i vincoli di distribuzione previsti. I contributi di questo lavoro sono triplici: in primo luogo, l'introduzione di un paradigma di elaborazione centrato sul battito che riconcilia le esigenze contrapposte di accuratezza classificativa ed efficienza computazionale; in secondo luogo, la dimostrazione che l'apprendimento di rappresentazioni variazionali fornisce un bias induttivo efficace per l'estrazione di caratteristiche morfologiche nel regime di scarsità di dati caratteristico delle applicazioni cliniche; in terzo luogo, la fornitura di una pipeline completa e deployabile, validata rispetto a benchmark consolidati. Questi risultati avanzano lo stato delle conoscenze riguardo al deployment di sistemi di machine learning per il monitoraggio cardiaco in ambienti con risorse limitate, con implicazioni per l'obiettivo più ampio di democratizzare l'accesso alle capacità diagnostiche automatizzate.