基于心电数据的可解释机器学习模型用于心律失常检测的开发
本文提出了一种可解释的卷积神经网络模型,基于变分自编码器,用于识别心脏核磁共振分割序列中的疾病,并使用 ' 概念激活向量 ' 技术关联一些向量,并定性地观察在这些向量方向上的测量值的变化,从而提供相应的自然可解释概念,该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。
Jun, 2019
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
提出了一个多分辨率模型,利用局部形态信息和全局节奏信息,通过开发低分辨率高级语义信息,持续维持高分辨率低级语义信息,从而成功地从 ECG 细分中提取信息丰富的形态和节律特征,从智能可穿戴应用的角度,也确认基于单导联 ECG 的全面 ECG 解释算法的可能性。
Apr, 2023
本研究介绍了一种新颖的心电图 (ECG) 自动识别方法,采用最近的大型语言模型 (LLM) 和 Vision-Transformer (ViT) 模型。该方法通过将 ECG 编码为图像并采用视觉语言学习范式来自动识别相似的临床病例,从而实现有效的 ECG 检索系统,可在临床应用中提供诊断服务。
Apr, 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
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
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
本文阐述了 Transformer 结构在心电图分类任务中的应用,总结了最新的 Transformer 模型并探讨了其应用中的挑战和未来的改进方向,为研究人员和从业者提供了宝贵的资源,旨在为心电图识别中的创新应用提供建议。
Jun, 2023