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

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

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

利用多特征融合和双向长短期记忆（Bi-LSTM）的资源高效方法对心电图（ECG）进行心跳分类，通过采用时间间隔和曲线下面积作为特征，改善 RBBB 和 LBBB 类别的分类准确率。

May, 2024

本文提出了一种基于人工智能的自动化心电图分类系统，利用深度学习和卷积神经网络模型对心电图信号进行分析和识别以实现准确的心律失常分类。

Dec, 2023

本文探讨一种基于 ECG 并采用两个流体系结构的神经网络算法，旨在能够高效地自动分类不同类别的心跳信号类型，实验结果表明，该算法在 MIT-BIH 心律失常数据库上的准确率达到了 99.38％，正面诊断准确率达到了 88.07％。

Oct, 2022