稳健的心电图分类的去相关网络架构
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
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
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
本研究采用条件生成对抗网络,同时生成不同类别的 ECG 信号和检测心脏异常情况,且基于类别特定的 ECG 信号合成逼真的对抗例子,相比其他分类模型,在检测正常 / 异常 ECG 信号方面表现出更好的性能。
Jul, 2021
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。
Feb, 2022
通过使用动态组合选择技术,该研究提出了一种在模型级别上利用 Dirichlet 分布和多样性约束构建替代集成模型空间的方法,以保护模型免受白盒攻击并提高鲁棒性,同时结合动态和多样性特性,实现了显著的鲁棒性结果而不损害准确性。
Aug, 2023
我们提出了一种整合模拟计算和深度学习的方法用于心电图(ECG)心律失常分类。我们提出了 EKGNet,一种硬件高效且完全模拟的心律失常分类架构,其在低功耗下实现了高准确性。该架构利用亚阈值区操作的晶体管的能量效率,消除了模数转换器(ADC)和静态随机存取内存(SRAM)的需求。系统设计包括一种新颖的模拟顺序乘积累加(MAC)电路,可以减轻过程、供电电压和温度的变化。对 PhysioNet 的 MIT-BIH 和 PTB 诊断数据集的实验评估表明,该方法的有效性,分别实现了 95% 和 94.25% 的平均平衡准确性,用于患者内心律失常分类和心肌梗死(MI)分类。这种创新的方法为开发低功耗心律失常分类系统在生物医学应用中提供了一个有前景的途径。
Oct, 2023