提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病,包括心肌缺血、心室肥厚和心房颤动等,该方法通过神经网络模型结合众多技巧和模块,缓解了标签稀缺性、样本不均衡、未知数据上的性能问题,具有较高的鲁棒性和准确性。
Jun, 2023
通过利用正常心电图数据集进行自我监督的异常检测,该研究提出了一种新的心电图异常检测方法,结合遮蔽和恢复技术以及多尺度交叉注意模块,实现了对心脏异常的精确检测和定位,从而显著提高了现有模型的性能。
Apr, 2024
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。
将深度学习应用于大量未标记的心电图遥测数据,对 ICU 中的患者监测进行持续注释,从而提供独特的洞察力,改进护理质量。
Jun, 2024
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
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
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
本论文提出了基于自监督学习技术的多模态心电图分类方法,利用单模态 ECG 的时间序列和频谱信息,以及 SSL-pre-stream 任务和 down-stream 任务结合的方式实现。在评估这种方法的有效性时,使用 12 导联 PhysioNet 2020 数据集进行了十折交叉验证。
Sep, 2022
提出了自监督的对比学习方法,实现了从心电图数据中进行心脏筛查和疾病诊断。
Aug, 2023
基于心电图(ECG)进行心血管疾病检测的深度学习系统在自动化领域面临的主要挑战是标记稀缺问题。我们提出了一种高计算效率的半监督学习范式(FastECG),以提供具有强大计算效率和鲁棒性的 ECG 心血管疾病检测方法,并在四个 ECG 数据集上展示了其优于现有方法的性能。