本研究旨在解决电信号记录错误的问题，通过提出一种小型且高效的基于神经网络的模型用于确定两个心电监护图是否来自同一患者，其在不到平均参数数量 760 倍的情况下表现出极好的推理能力，并将其在新收集的心电图数据集上进行了评估，并向研究社区公开发布。

Jun, 2023

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

本文介绍了使用 PTB-XL 数据集进行心电图数据自动识别的结果，证明卷积神经网络（resnet 和 inception）优于基于特征的算法，并讨论了自动解释算法的隐藏层分类和模型不确定性等方面。本研究为心电图分析算法的结构化基准测试提供了资源，并鼓励其他领域的研究人员加入这些努力。

Apr, 2020

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

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。

Dec, 2018

该研究采用深度学习方法应用于心电图信号，以创新的方式识别个性特征，通过检测包括外向性、神经质、宜人性、责任心和开放性的五大人格特质模型，探索了心电图衍生的频谱图作为信息特征的潜力，并采用 Resnet-18 和视觉转换器 (ViT) 进行特征提取和个性特征分类，结果表明 ECG 信号频谱图作为一个有价值的个性特征识别模态具有可行性，Resnet-18 在识别不同个性特征方面展现出有效性。

Feb, 2024

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

本文探讨一种基于 ECG 并采用两个流体系结构的神经网络算法，旨在能够高效地自动分类不同类别的心跳信号类型，实验结果表明，该算法在 MIT-BIH 心律失常数据库上的准确率达到了 99.38％，正面诊断准确率达到了 88.07％。

Oct, 2022

利用多特征融合和双向长短期记忆（Bi-LSTM）的资源高效方法对心电图（ECG）进行心跳分类，通过采用时间间隔和曲线下面积作为特征，改善 RBBB 和 LBBB 类别的分类准确率。

May, 2024