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

本文通过两种攻击模型，分析了 DNN 算法在心电诊断系统中的盲点，并呼吁对于相应的反制措施的重视。

Jan, 2019

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

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

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

通过特征装饰、傅里叶分区和集成技术来提高电生理图分类精度和不确定度的估计，提高了人工智能模型的鲁棒性和可靠性。

Jul, 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

利用鲍式神经网络在分类预测中进行每次预测的 Monte Carlo dropout 估计不确定性，基于数据和模型的不确定性给出有拒绝策略的 ECG 分类，从而帮助医生识别不确定的病例，并提供更为准确的诊断。

Feb, 2022

通过大规模私有数据集和相对较小的公开数据集，我们提出了通过训练多样化的神经网络并在特定数据集上进行微调，从而提高心脏病预测质量的方法，并展示了如何利用深度神经网络的泛化能力来优化更多疾病的分类质量。

May, 2023