使用深度学习识别异常心音
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
本文提出了一种采用注意力机制的新型深度学习双流网络,使用原始心音信号和 MFCC 特征检测病人心脏状况的异常,并获得了 87.11 的准确率、82.41 的灵敏度、91.8 的特异度和 87.12 的 MACC。
Nov, 2022
本文提出了一种新的方法,使用深度神经网络并行结合循环神经网络(RNN)和卷积神经网络(CNN)学习心音 PCG 波形中的杂音的视觉和时间相关特征,并通过一系列声学特征鉴别正常和杂音类别。该方法经过 5 折交叉验证在大型数据集上进行评估,结果显示出 96%的敏感性和 100%的特异性,以及 98%的 F1 得分。
Aug, 2018
本文提出了一种新颖的方法,利用心音图信号对心音进行分割和分类,并通过基于 FFT 的滤波、动态规划事件检测和 Siamese 网络的鲁棒分类,相比现有方法在 PASCAL 心音数据集上表现出较高性能。
Jun, 2024
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
本研究旨在应用相空间分析和卷积神经网络方法对来自 MIT-BIH 数据库的 44 个记录进行分类识别,以提高对心脏健康状况的诊断精度,结果表明该方法可以达到 90.90% 的准确率。
May, 2023
利用机器学习辨别正常和异常肺部吸气声,采用窗口和特征聚合策略,使用数据进行建模并进行决策融合,得出平均 ROC 曲线下面积为 0.691 的监督模型。
Sep, 2022
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
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
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