使用深度贝叶斯神经网络从心电记录中进行心律失常分类及拒绝诊断

Feb, 2022

使用深度贝叶斯神经网络从心电记录中进行心律失常分类及拒绝诊断

A Deep Bayesian Neural Network for Cardiac Arrhythmia Classification with Rejection from ECG Recordings

Wenrui Zhang, Xinxin Di, Guodong Wei, Shijia Geng, Zhaoji Fu...

TL;DR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。

Abstract

With the development of deep learning-based methods, automated classification of electrocardiograms (ECGs) has recently gained much attention. Although the effectiveness of deep neural networks has been encouraging, the lack of information given by the outputs restricts clinicians' ree

ecg neural network uncertainty estimation classification bayesian

发现论文，激发创造

电子健康记录中的不确定性建模：一种贝叶斯深度学习方法

基于贝叶斯神经网络的深度学习模型用于预测由于数据噪音引起的不确定性。高度不确定的实例对模型性能有害。通过研究模型预测和不确定性的分布，可以识别一组病人以进行及时干预。

Jul, 2019

提高心脏磁共振图像分类深度学习模型校准的不确定性感知训练

在临床决策支持环境中，为了开发更加可靠的人工智能（AI）模型，量化预测的不确定性被视为一种方法，使模型超越传统的性能指标报告。本研究评估了三种新颖的不确定性感知训练策略，并与两种先进方法进行比较，分析了在心脏再同步治疗反应预测和冠状动脉疾病诊断等临床应用中的性能。在考虑了多个校准测量指标后，得出了需要在医疗保健的复杂高风险应用中进行仔细考虑性能指标的结论。

Aug, 2023

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

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

节拍对节拍：用循环神经网络分类心律失常

利用带有注释的 12,186 个单引导 ECG 记录数据集，我们构建了一种多样化的循环神经网络 (RNNs) 集成，以区分正常窦性心律、房颤、其他类型的心律失常和信号过于嘈杂难以解释。通过注意力机制，使我们的模型具有高度可解释性，并在看不见的测试集（n = 3,658）上实现了 0.79 的平均 F1 得分，同时也达到了最先进的分类性能。

Oct, 2017

深度神经网络对 12 导心电图分类的泛化和微调

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

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

稳健的心电图分类的去相关网络架构

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

深度神经分类器的偏差减少不确定性估计

本研究提出了一种基于模型历史快照的算法，用于在非贝叶斯深度神经分类中，有选择地估计高度自信点的不确定性，这解决了从已训练网络中提取不确定信号的已知方法所带来的偏差估计问题，研究表明所提出的算法比所有已知方法的不确定性估计结果更加准确。

May, 2018