Apr, 2018

ECG 心跳分类：深度可迁移表示

PDF
TL;DR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％。
electrocardiogramclassificationarrhythmiasconvolutional neural networksknowledge transfer
发现论文，激发创造
  • 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

  • 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

  • ECGformer：利用 Transformer 进行心电图心跳心律失常分类

    通过使用变压器模型 (ECGformer)，我们发展了一种用于分类心电图数据中各种心律失常的方法，结果表明该方法非常有效。

    Jan, 2024

  • ECG 信号分类的双流网络

    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

  • ECG 分类中的拓扑特征提取图神经网络

    本研究通过使用深度图神经网络提出了三种区分心电图信号的技术，通过从心电图信号中提取拓扑特征并使用图同构网络来对心电图进行分类，三种技术在 PTB 诊断数据集上分别取得了 99.38％、98.76％和 91.93％的心律失常分类准确率。

    Nov, 2023

  • 基于无监督领域适应的跨数据库和跨通道的心电信号心律失常分类

    本研究提出了一种基于交叉领域特征差异优化的领域自适应深度网络解决心电图分类的方法，在交叉域和交叉通道的模式下，有效地检测室性早搏、窦性早搏和融合早搏，与非领域自适应基准方法相比，整体准确率平均提高了 11.78％。

    Jun, 2023

  • 深度神经网络对 12 导心电图分类的泛化和微调

    通过大规模私有数据集和相对较小的公开数据集，我们提出了通过训练多样化的神经网络并在特定数据集上进行微调，从而提高心脏病预测质量的方法，并展示了如何利用深度神经网络的泛化能力来优化更多疾病的分类质量。

    May, 2023

  • 深度学习方法在心电图数据中的机遇与挑战：一项系统综述

    本文针对 2010 年至 2020 年间应用深度学习模型于心电图 (ECG) 数据的文献进行系统性总结，发现各种深度学习体系结构已被用于心电图分析任务，包括疾病检测 / 分类、标注 / 定位、睡眠分期、生物度量人类识别和去噪等，其中融合卷积神经网络和循环神经网络专家特征的混合体系结构表现最佳。同时，也指出了存在的挑战和问题，诸如可解释性、可扩展性和效率等方面，提出了未来可能的研究方向。

    Dec, 2019

  • 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

  • 基于心电数据的可解释机器学习模型用于心律失常检测的开发

    研究拟建立基于卷积神经网络（CNN）和长短期记忆（LSTM）分类器的解释性模型，探讨机器学习算法做出决策的模式，提高对心电图信号（ECG）节律分类的准确度。

    May, 2022