利用地震心电图进行可靠心脏活动监测的端到端深度学习

Oct, 2020

利用地震心电图进行可靠心脏活动监测的端到端深度学习

End-to-End Deep Learning for Reliable Cardiac Activity Monitoring using Seismocardiograms

Prithvi Suresh, Naveen Narayanan, Chakilam Vijay Pranav, Vineeth Vijayaraghavan

TL;DR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。

Abstract

Continuous monitoring of cardiac activity is paramount to understanding the functioning of the heart in addition to identifying precursors to conditions such as Atrial Fibrillation. Through continuous cardiac monitoring, early indications of any potential disorder can be detected befor

cardiac monitoring seismonet deep convolutional neural network seismocardiogram signals r-peaks detection

发现论文，激发创造

CardioLearn：基于云的心电图心脏疾病深度学习服务

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

ECG 心跳分类：深度可迁移表示

本研究提出了一种基于深度卷积神经网络的心跳分类方法，能够根据 AAMI EC57 标准准确分类五种不同的心律失常，并且将所学知识迁移到急性心肌梗死分类任务中，通过在 PhysionNet 的 MIT-BIH 和 PTB 诊断数据集上的实验证明，该方法在心律失常和急性心肌梗死分类中的平均准确率分别为 93.4％和 95.9％。

Apr, 2018

基于增强卷积神经网络的物联网心电图信号有效分类

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

利用心电图信号的堆叠时频标图图像进行心律失常分类的深度学习模型

本文提出了一种基于人工智能的自动化心电图分类系统，利用深度学习和卷积神经网络模型对心电图信号进行分析和识别以实现准确的心律失常分类。

Dec, 2023

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

EB-GAME：心电图心跳异常检测中的变革者

该研究使用深度学习基于生成对抗网络的异常检测模型（EB-GAME）在心电图中仅使用正常信号标签的训练数据进行异常信号检测，并在 MIT-BIH 心律失常数据集上取得了最先进的性能表现。

Apr, 2024

基于序列到序列深度学习的心电图心跳分类技术实现心律失常检测

使用深度卷积神经网络和序列到序列模型，提出了一种自动心跳分类方法来解决心律失常分类中出现的问题，并在 MIT-BIH 心律失常数据库上进行了评估、分析和测试，结果显示该方法在文献中具有最佳性能。