深度神经心率变异性分析
本研究提出了一种基于深度卷积神经网络的心跳分类方法，能够根据 AAMI EC57 标准准确分类五种不同的心律失常，并且将所学知识迁移到急性心肌梗死分类任务中，通过在 PhysionNet 的 MIT-BIH 和 PTB 诊断数据集上的实验证明，该方法在心律失常和急性心肌梗死分类中的平均准确率分别为 93.4％和 95.9％。
Apr, 2018
该研究使用心率变异性指标以及光电容积描记传感器技术，综合信号处理和机器学习技术来准确推断心率变异性，能在少于 1ms 的推断时间内保证 13.0% 至 9.1% 的误差，使其更适用于小型嵌入式设备和未来的医疗保健监测应用中。
Mar, 2023
利用带有注释的 12,186 个单引导 ECG 记录数据集，我们构建了一种多样化的循环神经网络 (RNNs) 集成，以区分正常窦性心律、房颤、其他类型的心律失常和信号过于嘈杂难以解释。通过注意力机制，使我们的模型具有高度可解释性，并在看不见的测试集（n = 3,658）上实现了 0.79 的平均 F1 得分，同时也达到了最先进的分类性能。
Oct, 2017
该研究论文提出了多模式方法，结合 30 秒的心电图记录和近似的长期心率变异性数据（HRV）来估计心衰住院风险。实验结果显示，在心衰风险评估方面，所提出的方法具有较高的模型性能，并在多个外部心电图数据集上展示了竞争性的区分力。通过在 Apple Watch 数据上的可迁移性测试，并在 myHeartScore 应用程序中实施该方法，能够提供成本效益高且易于获取的心衰风险评估，有助于心衰的预防和管理。
Mar, 2024
使用深度卷积神经网络和序列到序列模型，提出了一种自动心跳分类方法来解决心律失常分类中出现的问题，并在 MIT-BIH 心律失常数据库上进行了评估、分析和测试，结果显示该方法在文献中具有最佳性能。
Dec, 2018
使用单导联可穿戴监测器记录的心电图，开发了一种算法，可以检测出广泛类型的心律失常，其表现超过了获得认证的心脏病专家。通过 34 层的卷积神经网络，将心电图样本序列映射到节律类别序列，并将其与 6 位独立心脏病专家的性能进行比较。结果表明，该算法在感知率和阳性预测价值等方面均优于平均心脏病专家。
Jul, 2017
本文介绍了一种新的、精确的、实时的远程光学心率监测方法，可以测量心率、提取脉搏波形并计算心率变异性，无需特定的训练，可在实际应用中得到良好的结果。
Sep, 2019
本文提出了一个基于循环神经网络（RNNs）的自动心脏听诊方案，旨在通过减轻手动听诊的负担和自动检测异常心跳来帮助医疗保健社区。该方案使用不同的 RNN 模型，通过降噪技术显著提高了异常心跳分类分数。这种基于 RNN 的方法可以在医疗物联网中用于远程监测应用的实时异常心跳检测。
Jan, 2018