Jul, 2017

卷积神经网络实现心电信号的心律失常医生级别检测

PDF
TL;DR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。
algorithmheart arrhythmiasecgconvolutional neural networkcardiologists
发现论文，激发创造
  • 优化特征提取的高级神经网络架构用于增强多导联心电图心律失常检测

    本研究提出一种创新的方法，利用深度学习技术，特别是卷积神经网络（CNN），来解决心律失常分类的复杂性。通过利用多导联心电图（ECG）数据，我们的 CNN 模型在识别左束支传导阻滞（LBBB）、右束支传导阻滞（RBBB）、房性早搏（APC）、室性早搏（PVC）和正常心跳五种不同类型的心脏跳动方面展现出有希望的结果。我们的方法有望提高心血管心律失常的诊断准确性，为临床决策提供更精确的解决方案，从而改善患者的治疗结果。

    Apr, 2024

  • 节拍对节拍：用循环神经网络分类心律失常

    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

  • 基于序列到序列深度学习的心电图心跳分类技术实现心律失常检测

    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

  • 使用手工规则增强的神经网络识别心电图异常

    通过将临床规则引入卷积神经网络以提高自动心电图诊断性能，该论文提出了一种称为 HRNN 的手工规则增强神经网络，并在两个大型公共心电图数据集上进行了实验。

    Jun, 2022

  • 使用 YOLOv8 进行实时心律失常检测的新应用

    本论文提出一种基于 YOLOv8 算法的心律失常检测应用，通过在 MIT-BIH 数据集上的 fine-tuning，实现对单导联 ECG 信号的实时检测，可持续监测，检测时间为 0.002 秒，mAP@50 达到 0.961，能够为家庭用户提供直观的模型输出，实现了实时心律失常检测，具有推广至医疗行业的潜力。

    May, 2023

  • 卷积循环神经网络用于心电图分类

    本文介绍了两种针对心电图记录的深度神经网络架构，并通过 Physionet / CinC Challenge 2017 提供的房颤分类数据集对它们进行了评估。我们引入了 ECG 数据的简单数据增强方案，并证明了其在房颤分类任务中的有效性。我们发现，第二种架构优于第一种，在隐藏挑战测试集上获得了 82.1％的 F1 分数。

    Oct, 2017

  • 使用深度学习的心音图传感技术进行异常心跳检测

    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

  • 基于计算机深度学习的心血管疾病早期预警模型研究

    基于一维卷积神经网络的心血管疾病风险预警模型，通过填充和标准化 13 个生理指标，将卷积神经网络转化为二维矩阵，并采用一阶卷积操作和最大池化算法进行降维，通过 Adam 算法进行优化。相对于传统方法，该技术的预测精度提高了 11.2%，对数曲线拟合也有显著改善，通过一维卷积神经网络的检验，证实了该新方法的效力和适用性。

    Jun, 2024

  • CardioLearn：基于云的心电图心脏疾病深度学习服务

    本研究呈现了我们在建立、训练和提供心脏疾病检测的深度学习云服务 CardioLearn 上的工作，该服务可提供公共服务方案，解决了传统 ECG 疾病检测模型存在的诊断率误差高的限制，我们也设计了一个便携式智能硬件设备及与之交互的移动程序，可以随时随地检测潜在的心脏疾病。

    Jul, 2020

  • ECG 心跳分类：深度可迁移表示

    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