使用传统和深度可分离卷积网络开发了一种新型的端对端实时心脏杂音检测方法，通过连续小波变换从心音图数据中提取有意义的特征，并在有限资源下实现了实时准确的心脏杂音检测。

May, 2024

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

本文提出了一个基于循环神经网络（RNNs）的自动心脏听诊方案，旨在通过减轻手动听诊的负担和自动检测异常心跳来帮助医疗保健社区。该方案使用不同的 RNN 模型，通过降噪技术显著提高了异常心跳分类分数。这种基于 RNN 的方法可以在医疗物联网中用于远程监测应用的实时异常心跳检测。

Jan, 2018

本文提出了一种采用注意力机制的新型深度学习双流网络，使用原始心音信号和 MFCC 特征检测病人心脏状况的异常，并获得了 87.11 的准确率、82.41 的灵敏度、91.8 的特异度和 87.12 的 MACC。

Nov, 2022

本文提出了一种新颖的方法，利用心音图信号对心音进行分割和分类，并通过基于 FFT 的滤波、动态规划事件检测和 Siamese 网络的鲁棒分类，相比现有方法在 PASCAL 心音数据集上表现出较高性能。

Jun, 2024

应用深度学习技术对心脏听诊进行自动化分类，结合卷积神经网络和时间频率热图表示，通过改进的损失函数，在 2016 年 PhysioNet Computing in Cardiology 挑战中取得了最佳结果。

Jul, 2017

该研究使用基于机器学习算法的集成分类器框架，结合多种性能度量方法，对一个包含多国心血管疾病个体的大型数据集进行研究，获得了 92.34% 的准确率，较现有研究表现更佳。

Jun, 2023

本文提出了一种新的方法，使用深度神经网络并行结合循环神经网络（RNN）和卷积神经网络（CNN）学习心音 PCG 波形中的杂音的视觉和时间相关特征，并通过一系列声学特征鉴别正常和杂音类别。该方法经过 5 折交叉验证在大型数据集上进行评估，结果显示出 96％的敏感性和 100％的特异性，以及 98％的 F1 得分。

Aug, 2018

本文研究发现，基于心脏数据中健康心脏功能的预测，可通过深度学习算法进行红外图像分析，从而有效避免数据质量偏差，提高心脏病的早期诊断效率。

Jun, 2020

该研究介绍了尝试通过使用大量记录的心音监测数据，利用双重贝叶斯 ResNet（DBRes）模型进行自动检测心脏杂音和其他听诊器所需的特定未知指标的方法。

May, 2023