Feb, 2018

诱因推理作为重塑心电图房颤专家标准的基础

PDF
TL;DR本研究提出了一种基于 Construe 推理框架的心电信号自动检测房颤，其他心律失常和噪音的新方法，并探讨了一致的分类标准在训练数据集中的重要性，研究结果表明，使用该方法可以对包含较大噪声水平的数据进行有价值的描述。
atrial fibrillationecg signalsmachine learningconstrueclassification criteria
发现论文，激发创造
  • 揭示心跳特征：采用视觉转换器方法解释心电图信号中的可解释性房颤检测

    发展了一种基于远程患者监测的穿戴式单导联心电图（ECG）设备的视觉变换方法，可以识别房颤并鉴别正常窦律和窦性心动过缓。

    Feb, 2024

  • 基于 K 边界残差卷积循环神经网络的房颤检测

    本文提出使用基于 K-margin 的残差卷积循环神经网络 (K-margin-based RCR-net) 通过动态数据增强和处理数据不足，训练出在处理噪声心电图 (ECGs) 时表现优秀的识别房颤的神经网络，并取得了 0.8125 的 F1NAOP 得分，比其他最先进的深度学习方法的表现高出 6.8%。

    Aug, 2019

  • 多类多标记心律失常的局部 - 全局时间融合网络与注意力机制

    提出了一种利用临床决策支持系统来检测和分类心律失常的框架，通过提取局部时空信息、全局模式提取以及局部 - 全局信息融合来进行心律失常检测和分类，同时在 MIT-BIH 心律失常数据库上得到了优于对比模型的结果。

    Aug, 2023

  • 利用可穿戴设备进行原始传感器数据端到端深度学习的心房颤动检测

    本文提出了一种使用卷积 - 循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据，其中使用穿戴式设备采集的 PPG 数据进行了 AFib 检测，结果表明该架构具有良好的准确性。

    Jul, 2018

  • 基于注意力机制的双向循环神经网络检测阵发性心房颤动

    提出了一种基于深度学习的注意力框架，用于从窗口序列中检测阵发性房颤，并证明了该方法在长期监测方面应用潜力巨大。

    May, 2018

  • 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

  • SiamAF：通过心电图和脉搏图信号学习共享信息以实现稳健的房颤检测

    通过提出新的 SiamAF 方法，该方法使用新颖的孪生网络结构和联合学习损失函数，能够从 PPG 和 ECG 信号中学习共享信息，并在预测房颤方面胜过基线方法，且较传统学习方法需要更少的训练标签。

    Oct, 2023

  • 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

  • RawECGNet：原始心电图的房颤检测的深度学习通用性

    使用深度学习模型 RawECGNet，通过节律和形态学信息，高效、可泛化地检测房颤和心房扑动的发作。

    Dec, 2023

  • 心律失常分类引导的心电图分割模型

    本研究提出了一种基于深度学习模型来精确勾画具有不同心律失常类型信号的新方法，使用了一种混合损失函数的分割模型用于心律失常分类，实验结果表明该模型与先前的勾画算法在 Lobachevsky University Database (LUDB) 上表现竞争力。

    Apr, 2023