Feb, 2022

基于增强卷积神经网络的物联网心电图信号有效分类

PDF
TL;DR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。
iot technologyrouting systemartificial neural networksupport vector machineconvolution neural networks
发现论文，激发创造
  • 基于信噪比的 ECG 信号分类 DNN 鲁棒性提升

    该研究提出了两种从噪声信号比（NSR）的角度改进深度神经网络（DNN）用于心电图（ECG）信号分类的方法，实验结果表明这种方法能够提高 DNN 的对抗性鲁棒性。

    May, 2020

  • 使用手工规则增强的神经网络识别心电图异常

    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

  • 卷积循环神经网络用于心电图分类

    本文介绍了两种针对心电图记录的深度神经网络架构，并通过 Physionet / CinC Challenge 2017 提供的房颤分类数据集对它们进行了评估。我们引入了 ECG 数据的简单数据增强方案，并证明了其在房颤分类任务中的有效性。我们发现，第二种架构优于第一种，在隐藏挑战测试集上获得了 82.1％的 F1 分数。

    Oct, 2017

  • 优化特征提取的高级神经网络架构用于增强多导联心电图心律失常检测

    本研究提出一种创新的方法，利用深度学习技术，特别是卷积神经网络（CNN），来解决心律失常分类的复杂性。通过利用多导联心电图（ECG）数据，我们的 CNN 模型在识别左束支传导阻滞（LBBB）、右束支传导阻滞（RBBB）、房性早搏（APC）、室性早搏（PVC）和正常心跳五种不同类型的心脏跳动方面展现出有希望的结果。我们的方法有望提高心血管心律失常的诊断准确性，为临床决策提供更精确的解决方案，从而改善患者的治疗结果。

    Apr, 2024

  • ECG 分类中的拓扑特征提取图神经网络

    本研究通过使用深度图神经网络提出了三种区分心电图信号的技术，通过从心电图信号中提取拓扑特征并使用图同构网络来对心电图进行分类，三种技术在 PTB 诊断数据集上分别取得了 99.38％、98.76％和 91.93％的心律失常分类准确率。

    Nov, 2023

  • 使用深度神经网络进行 12 导联心电图的自动诊断

    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

  • 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

  • 基于深度卷积神经网络和格里曼角场的心电图分类

    该研究提出了一种新的特征表示方法，将时间频率 1D 向量转换为 2D 图像，并利用卷积神经网络对转换后的心电信号进行分类，从而提高了分类性能并帮助识别和可视化心电信号的时间模式，具有诊断和治疗心血管疾病以及检测异常的重要意义。

    Jul, 2023

  • 深度学习方法在心电图数据中的机遇与挑战：一项系统综述

    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

  • EKGNet：一种 10.96μW 完全模拟神经网络用于患者内心律失常分类

    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