基于自旋电子学 IoT 传感器的磁心电图应用中的 AI 辅助噪声处理
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
我们基于磁心电图(MCG)信号开发了一个个体识别系统,利用光泵磁强计(OPMs)捕获的信号。我们的系统使用模式识别分析不同身体位置上获取的信号,通过扫描由 MCG 信号构成的矩阵,并使用 2*2 窗口。为了利用 MCG 信号的空间信息,我们将相邻小区域的信号转换为数据集的四个通道。我们进一步利用小波变换将数据转换为时间 - 频率矩阵,并采用卷积神经网络(CNN)进行分类。结果表明,我们的系统在个体识别方面的准确率达到 97.04%。这一发现表明了 MCG 信号在个体识别系统中具有潜力,为个性化医疗管理提供了有价值的工具。
Mar, 2024
该研究提出了一种基于 SeismoNet 的深度卷积神经网络解决方案,旨在从地震心电图信号中稳健地观察心脏活动,并通过直接检测 R 峰而不需要提取手工特征,实现心脏监测以及 Atrial Fibrillation 的预防。
Oct, 2020
通过只使用 6k 个参数的微型 Transformer 模型,本文在 MIT-BIH 心律失常数据库上达到了 98.97%的识别准确率,并通过在低功耗微控制器设备上进行高效执行的 8 位整数推理,证明了其适用于可穿戴监测解决方案。
Feb, 2024
本文研究了在低成本的可穿戴式设备上使用深度学习,通过测量心脏震动信号来预测使用 4D 流 MRI 获得的主动脉血流量参数。该深度学习技术可以用于血流病理变化的识别,并能够区分健康受试者和心脏瓣膜疾病患者。
Jan, 2023
本研究旨在优化低功耗传感技术在医疗保健中的应用,通过使用机器学习和神经网络的方法对生理信号进行监测和识别,提高传感设备的临床价值,并在使用嵌入式处理器 nRF52 时实现低功耗高精度计算。
Jan, 2020
我们提出了一种整合模拟计算和深度学习的方法用于心电图(ECG)心律失常分类。我们提出了 EKGNet,一种硬件高效且完全模拟的心律失常分类架构,其在低功耗下实现了高准确性。该架构利用亚阈值区操作的晶体管的能量效率,消除了模数转换器(ADC)和静态随机存取内存(SRAM)的需求。系统设计包括一种新颖的模拟顺序乘积累加(MAC)电路,可以减轻过程、供电电压和温度的变化。对 PhysioNet 的 MIT-BIH 和 PTB 诊断数据集的实验评估表明,该方法的有效性,分别实现了 95% 和 94.25% 的平均平衡准确性,用于患者内心律失常分类和心肌梗死(MI)分类。这种创新的方法为开发低功耗心律失常分类系统在生物医学应用中提供了一个有前景的途径。
Oct, 2023
本文提出了一个新方法,使用 Cycle-GAN 来盲目去噪 ECG 信号,从而提高信号质量,无论信号受到何种类型和严重程度的干扰,使其恢复成临床水平的 ECG。该方法在 CPSC-2020 ECG 数据集上经过了量化和定性评估,并得到了心脏病专家的验证。
Jan, 2022
本研究设计了一个个性化健康诊断系统,包括一个可穿戴式心电图设备、移动应用程序和后端服务器,可以对用户的心电信息进行持续监测,以提供个性化的健康警告 / 反馈,通过远程诊断和干预等方式支持与健康顾问的沟通。在此系统中,提出了一种利用心电信号准周期特征的有损信号压缩方法,设计并训练了一个基于 ResNet 的 AF 诊断器,该诊断器在测试中取得了较好的效果,F1 得分最高可达 87.31%。
Jul, 2022