Jul, 2022

基于佩戴式心电监测系统、ECG 有损压缩方案和基于 ResNet 的房颤检测器的个性化心脏人群医疗研究

PDF
TL;DR本研究设计了一个个性化健康诊断系统，包括一个可穿戴式心电图设备、移动应用程序和后端服务器，可以对用户的心电信息进行持续监测，以提供个性化的健康警告 / 反馈，通过远程诊断和干预等方式支持与健康顾问的沟通。在此系统中，提出了一种利用心电信号准周期特征的有损信号压缩方法，设计并训练了一个基于 ResNet 的 AF 诊断器，该诊断器在测试中取得了较好的效果，F1 得分最高可达 87.31%。
cardiovascular diseasesatrial fibrillationecg monitoringwearable deviceaf detector
发现论文，激发创造
  • 使用机器学习的端到端优化心律失常检测流水线，适用于超边缘设备

    提出了一种在超边缘设备上进行实时心房颤动检测的高准确度、资源高效的分类器方法，该方法采用了精确的信号特征工程，可以消耗更少的内存、更快的速度以及更高的检测准确率。

    Nov, 2021

  • 利用可穿戴设备进行原始传感器数据端到端深度学习的心房颤动检测

    本文提出了一种使用卷积 - 循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据，其中使用穿戴式设备采集的 PPG 数据进行了 AFib 检测，结果表明该架构具有良好的准确性。

    Jul, 2018

  • SiamAF：通过心电图和脉搏图信号学习共享信息以实现稳健的房颤检测

    通过提出新的 SiamAF 方法，该方法使用新颖的孪生网络结构和联合学习损失函数，能够从 PPG 和 ECG 信号中学习共享信息，并在预测房颤方面胜过基线方法，且较传统学习方法需要更少的训练标签。

    Oct, 2023

  • CarDS-Plus ECG 平台：便携和可穿戴设备心电图的多平台人工智能工具包的开发和可行性评估

    通过开发创新的多平台系统，实现基于人工智能的心电图解读解决方案的快速部署，并通过迅速的部署将人工智能的发现转化为对可穿戴式及便携式心电图设备的临床影响。

    Oct, 2023

  • 基于 K 边界残差卷积循环神经网络的房颤检测

    本文提出使用基于 K-margin 的残差卷积循环神经网络 (K-margin-based RCR-net) 通过动态数据增强和处理数据不足，训练出在处理噪声心电图 (ECGs) 时表现优秀的识别房颤的神经网络，并取得了 0.8125 的 F1NAOP 得分，比其他最先进的深度学习方法的表现高出 6.8%。

    Aug, 2019

  • 基于深度神经网络的 12 导联心电图的房颤综合风险预测

    通过神经网络模型识别出心电图中无明显房颤迹象但将来可能发展成房颤的患者，并使用生存模型确定了高风险和低风险患者的发病概率，为房颤风险评估提供了有价值且实用的决策辅助信息。

    Sep, 2023

  • 基于物联网的农村医疗心电图系统

    研究了基于物联网的心电监测系统，其中使用 ECG 传感器和机器学习算法来监测和预测 P，Q，R，S，T 等参数，并探讨了其在农村地区使用的潜力与优势。

    Jul, 2022

  • 揭示心跳特征：采用视觉转换器方法解释心电图信号中的可解释性房颤检测

    发展了一种基于远程患者监测的穿戴式单导联心电图（ECG）设备的视觉变换方法，可以识别房颤并鉴别正常窦律和窦性心动过缓。

    Feb, 2024

  • 基于压缩机的房颤检测分类

    用压缩器为基础的文本分类方法应用于房颤检测的任务，通过应用正规化压缩距离于 RR 间期序列和 k - 最近邻分类器的配置，以及最优窗口长度，我们取得较好的分类结果，该方法在生物医学数据和连续的随机序列中具有应用潜力。

    Aug, 2023

  • CardioLearn：基于云的心电图心脏疾病深度学习服务

    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