使用手工规则增强的神经网络识别心电图异常
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
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
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
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
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
使用单导联可穿戴监测器记录的心电图,开发了一种算法,可以检测出广泛类型的心律失常,其表现超过了获得认证的心脏病专家。通过 34 层的卷积神经网络,将心电图样本序列映射到节律类别序列,并将其与 6 位独立心脏病专家的性能进行比较。结果表明,该算法在感知率和阳性预测价值等方面均优于平均心脏病专家。
Jul, 2017
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
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
本研究设计了一个卷积神经网络,应用三种防御方法来提高对变长 ECG 信号的分类任务的鲁棒性,并且测试结果表明该 CNN 分类模型在干净数据上的准确率与 CPSC2018 ECG 分类挑战的前 6 项相当,并且改进了其对于对抗和白噪声的鲁棒性
Aug, 2020