基于多实例学习的心电图风险分层
本文探讨了对电心图 (ECG) 信号进行对比学习和深度学习的应用来诊断心血管疾病的方法。此应用可以在具有较少 ECG 导联的情况下提高诊断性能,并且证明了对比学习在此任务上的潜力。
Apr, 2023
通过开发一种基于 ECG 信号的深度学习算法,可以提高预测术后死亡风险的准确性,其鉴别能力优于修正心脏风险指数评分,患者风险等级可以帮助区分手术前死亡风险。该算法在多个手术类型的患者和两个独立医疗系统的患者中都有较好的表现。
Apr, 2022
提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病,包括心肌缺血、心室肥厚和心房颤动等,该方法通过神经网络模型结合众多技巧和模块,缓解了标签稀缺性、样本不均衡、未知数据上的性能问题,具有较高的鲁棒性和准确性。
Jun, 2023
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
提出了一个多分辨率模型,利用局部形态信息和全局节奏信息,通过开发低分辨率高级语义信息,持续维持高分辨率低级语义信息,从而成功地从 ECG 细分中提取信息丰富的形态和节律特征,从智能可穿戴应用的角度,也确认基于单导联 ECG 的全面 ECG 解释算法的可能性。
Apr, 2023
本论文提出了基于自监督学习技术的多模态心电图分类方法,利用单模态 ECG 的时间序列和频谱信息,以及 SSL-pre-stream 任务和 down-stream 任务结合的方式实现。在评估这种方法的有效性时,使用 12 导联 PhysioNet 2020 数据集进行了十折交叉验证。
Sep, 2022
本研究提出了一种用于心血管疾病早期检测的流程,结合了机器学习和深度学习的技术,并利用长短时记忆神经网络(LSTM)和支持向量机(SVM)的混合模型进行欺诈检测,取得了卓越的成果。这种方法对于心血管疾病的早期检测和管理具有显著的益处。
Nov, 2023
本研究提出了一种基于多任务循环神经网络和注意机制的方法,用于预测心血管事件。与标准的临床风险评估模型相比,该模型在预测中风和心肌梗死方面具有更好的性能,并且在短期内的预测效果可以通过使用多任务学习得到提升。同时,该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性,并证明了机器学习技术可以被应用于二级保健。
Jul, 2020