IJCAIMay, 2019

MINA: 多级知识引导注意力模型用于心电信号建模

PDF
TL;DR本研究提出了一种名为 MINA 的多级知识引导的注意力网络，可从 ECG 信号中预测心脏疾病，并通过多级注意力模型将医学知识和 ECG 数据结合起来，实现高度可解释性和较高的 PR-AUC 表现。
electrocardiographydeep learningheart diseasesmultilevel attention modelinterpretability
发现论文，激发创造
  • 应用深度学习网络对心房心动过速的心脏电图进行分类

    本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号，从而提高治疗效果及减少人工标注带来的时间和误差。

    Jun, 2022

  • 大型语言模型引导的心电图双注意力网络用于心力衰竭风险预测

    用于心力衰竭风险预测的 ECG 网络模型基于 12 导联心电图数据，通过大型语言模型的预训练提高预测能力和透明度，为早期心力衰竭诊断和预防提供潜在的改进。

    Mar, 2024

  • 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

  • 基于多模态对比学习的心血管疾病诊断：来自心电图（ECG）信号和患者元数据的分析

    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

  • MetaVA: 基于心电图的室性心律失常深度神经网络识别的课程元学习和预微调

    本研究旨在解决机器学习模型应用于心电图检测室性心律失常的挑战，提出了一种基于元学习和课程学习方法的新型预训练模型以解决组级别差异，并提出改进的预精调方法以解决个体级别差异，实验证明该方法在所有评估指标上优于其他方法。

    Feb, 2022

  • 多分辨率互学习网络用于多标签心电图分类

    本论文提出了一种多分辨率相互学习网络（MRM-Net），通过双重分辨率注意力架构和特征互补机制处理心电图（ECG）信号，以提高多标签 ECG 分类性能。

    Jun, 2024

  • LRH-Net: 低资源心脏网络的多层知识蒸馏方法

    提出了一种低参数模型 LRH-Net，其使用多级知识蒸馏过程训练成多种心电图（ECG）异常，并在压缩输入的 PhysioNet-2020 数据集上进行了评估。该模型的参数是用于检测 CVD 的教师模型的 106 倍以下，能够缩小 75％ 的推论时间。

    Apr, 2022

  • ME-GAN：在心脏病情况下学习全景心电表示以进行多视角心电图像合成

    本文提出了一种新型的面向疾病的生成对抗网络 ME-GAN 用于多视角心电图合成，实现了以疾病为条件的泛光心电表征，并将它们投影到多种标准视图上，同时还提出了一种新的度量标准 rFID 来评估合成心电图信号的质量。

    Jul, 2022

  • MVMTnet：一种基于多变量多模态转换器的心脏不规律多类分类方法，使用 ECG 波形和临床记录

    提出了一种基于多模型 Transformer 的深度学习架构，通过整合临床记录，实现了对心血管疾病的多类别检测，并为实现临床和急诊环境下的实时患者状态监测奠定了基础。

    Feb, 2023

  • LMDA-Net：通用脑 - 计算机界面典范和可解释性的轻量级多维注意力网络

    提出了一种轻量级多维注意力网络 LMDA-Net，通过整合来自多个维度的特征，在各种 BCI 任务中实现了改进的分类性能，并且通过特定于类别的神经网络特征可解释性算法对其特征进行解释分析，展示出作为各种脑电任务的通用在线解码模型的巨大潜力。

    Mar, 2023