ECGadv: 生成对抗性心电图以误导心律失常分类系统
本研究采用条件生成对抗网络,同时生成不同类别的 ECG 信号和检测心脏异常情况,且基于类别特定的 ECG 信号合成逼真的对抗例子,相比其他分类模型,在检测正常 / 异常 ECG 信号方面表现出更好的性能。
Jul, 2021
该研究提出了两种从噪声信号比(NSR)的角度改进深度神经网络(DNN)用于心电图(ECG)信号分类的方法,实验结果表明这种方法能够提高 DNN 的对抗性鲁棒性。
May, 2020
使用超过 200 万标记心电图的数据训练的深度神经网络模型,比心脏病学住院医生在识别 12 导联心电图上准确率高,F1 分数超过 80%且特异性高于 99%,这表明基于 DNN 的 ECG 分析可推广到 12 导联心电图上,可应用于标准临床实践中。
Apr, 2019
本研究设计了一个卷积神经网络,应用三种防御方法来提高对变长 ECG 信号的分类任务的鲁棒性,并且测试结果表明该 CNN 分类模型在干净数据上的准确率与 CPSC2018 ECG 分类挑战的前 6 项相当,并且改进了其对于对抗和白噪声的鲁棒性
Aug, 2020
本文提出了一种基于物联网技术的新型心电监测方法,使用基于 DSR 和 REL 的路由系统,并测试了基于 ANN、SVM 和 CNN 的 ECG 信号分类方法。Deep-ECG 将采用深度 CNN 来提取重要特征,并使用简单且快速的距离函数进行分类,从而高效识别心脏问题。研究结果表明,所提出的策略在分类准确性方面优于其他方法。
Feb, 2022
通过将临床规则引入卷积神经网络以提高自动心电图诊断性能,该论文提出了一种称为 HRNN 的手工规则增强神经网络,并在两个大型公共心电图数据集上进行了实验。
Jun, 2022
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
医学深度学习系统可以被巧妙地构造对抗性例子攻击破坏,难以在实际临床设置中应用,本文发现医学深度学习模型对于对抗攻击比对自然图像模型更脆弱,但医学对抗攻击可以通过简单的检测器容易检测出来,这些发现可作为更可解释和安全的医学深度学习系统设计的依据。
Jul, 2019
通过利用正常心电图数据集进行自我监督的异常检测,该研究提出了一种新的心电图异常检测方法,结合遮蔽和恢复技术以及多尺度交叉注意模块,实现了对心脏异常的精确检测和定位,从而显著提高了现有模型的性能。
Apr, 2024
本文阐述了 Transformer 结构在心电图分类任务中的应用,总结了最新的 Transformer 模型并探讨了其应用中的挑战和未来的改进方向,为研究人员和从业者提供了宝贵的资源,旨在为心电图识别中的创新应用提供建议。
Jun, 2023