NIPSNov, 2017

基于大型神经网络的呼吸暂停、心动过缓和氧饱和度降低事件检测

PDF
TL;DR本文通过机器学习，探讨了使用大型神经网络来检测与败血症相关的 A B D（呼吸暂停、心动过缓和低氧血症）事件。结果表明，即使数据集非常有限和不平衡，大型神经网络的检测性能也足以在临床治疗中使用，并且比目前流行的两种机器学习算法更加高效。
apneabradycardiadesaturationmachine learningneural network
发现论文，激发创造
  • 利用深度学习技术对电子健康记录事件序列进行早期感染性休克检测

    本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。

    Jun, 2019

  • 利用选择性状态空间模型预测急性脑功能障碍状态的多队列研究

    使用电子健康档案数据动态预测重症监护病房中患者的急性脑功能障碍、昏迷和死亡的研究。通过比较神经网络模型 MAMBA 和 Longformer Transformer 的预测性能，作者在 12 小时内对急性脑功能障碍的预测取得了 0.95 的平均 AUROC，并在不同状态间的转变预测方面取得了 0.79 的平均 AUROC。

    Mar, 2024

  • 基于 Transformer 模型的急性脑功能障碍预测

    本文研究利用机器学习算法和电子病历数据建立一个新的系统，用于实时预测 ICU 病人急性脑功能损伤并进行分类，包括昏迷、谵妄、死亡和正常，该系统能大幅度减少与急性脑功能损伤相关的事故，缩短 ICU 病人住院时间、减少医疗成本和病亡率。

    Mar, 2023

  • 通过脑电图信号检测睡眠期间的氧气饱和度下降

    利用机器学习技术从儿科患者睡眠呼吸暂停的脑电图（EEG）信号中识别潜在的氧减标志物，为睡眠呼吸暂停的诊断提供帮助。

    May, 2024

  • 早产儿能效呼吸异常检测

    本研究提出使用深度学习技术的可穿戴式监测系统，采用无创的 Bellypatch 设备从早产儿的身体上实时采集信号，对呼吸停止等问题进行预测和监测。将传统的 1DCNN 模型转换为基于脉冲神经网络的模型，实现了 93.33% 的准确率和比基础模型低 18 倍的能量消耗。

    Feb, 2022

  • 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

  • 使用深度注意力神经网络进行患者风险评估和警告症状检测

    本文介绍了一种实际上应用的病人分流系统的操作组件。通过对德文医生笔记的学习，使用了一种基于注意力机制的卷积神经网络模型，实现了对病人紧急性的评估和提供了最恰当的医疗建议以及时间。此外，一种检测警告症状的方法也被介绍。

    Sep, 2018

  • 使用深度卷积神经网络和数据增强进行声学事件检测

    本研究提出了一种新的声音事件检测方法，使用卷积神经网络结合大的输入层来提取长时频结构特征，同时采用数据增强方法防止过拟合，实验表明该方法在声音事件检测上表现优异，超过了现有方法，取得了 16% 的绝对提升。

    Apr, 2016

  • 探寻生命：从合成数据中学习，检测视频中的生命体征

    本文针对医疗领域中自动检测视频中生命体征（如心率和呼吸率）这一挑战性的计算机视觉问题，通过使用一种新颖的深度学习方法，在红外热成像领域从纯合成数据中训练递归深度神经网络来检测生命体征，并且无需手工标注，取得了 LCAS 数据集上最优的结果。

    Apr, 2020

  • 使用单导联心电图信号的新型基于深度学习的睡眠呼吸暂停检测方法

    提出了一种基于 S 峰检测的特征提取方法，使用单导联 ECG 来增强睡眠呼吸暂停的检测，并使用卷积神经网络进行训练，实现了比现有方法更高的准确性和敏感度，并表明该机器学习系统有望成为检测睡眠呼吸暂停的有效方法。

    Aug, 2022