KDDMay, 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

PDF
TL;DR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。
atrial fibrillationparoxysmal afdeep learningattention-based frameworkwearable sensors
发现论文，激发创造
  • ECGNET: 深度视觉注意力学习在房颤检测中的应用

    本文通过引入双通道深度神经网络，分析 ECG 信号在检测房颤过程中的重要部位，从而更准确地检测心房颤动，并提高性能。

    Dec, 2018

  • 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 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

  • 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

  • 使用机器学习的端到端优化心律失常检测流水线，适用于超边缘设备

    提出了一种在超边缘设备上进行实时心房颤动检测的高准确度、资源高效的分类器方法，该方法采用了精确的信号特征工程，可以消耗更少的内存、更快的速度以及更高的检测准确率。

    Nov, 2021

  • 基于深度神经网络的 12 导联心电图的房颤综合风险预测

    通过神经网络模型识别出心电图中无明显房颤迹象但将来可能发展成房颤的患者，并使用生存模型确定了高风险和低风险患者的发病概率，为房颤风险评估提供了有价值且实用的决策辅助信息。

    Sep, 2023

  • 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

  • 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

  • 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

  • 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