Jul, 2022

适用于不同种族、年龄和性别的房颤诊断通用且鲁棒的深度学习算法

PDF
TL;DR基于深度学习算法的 ArNet2 模型，跨不同族裔、年龄和性别，成功检测房颤事件，性能超过同类模型，且表现差异可能与房扑患病率有关。
deep learningethnicitiesagessexesaf events detection
发现论文，激发创造
  • RawECGNet：原始心电图的房颤检测的深度学习通用性

    使用深度学习模型 RawECGNet，通过节律和形态学信息，高效、可泛化地检测房颤和心房扑动的发作。

    Dec, 2023

  • 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

  • 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

  • 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

  • ECGNET: 深度视觉注意力学习在房颤检测中的应用

    本文通过引入双通道深度神经网络，分析 ECG 信号在检测房颤过程中的重要部位，从而更准确地检测心房颤动，并提高性能。

    Dec, 2018

  • SHDB-AF：一份包含心房颤动的日本 Holter 心电数据库

    心房颤动是一种常见的心房心律失常，通过机器学习和深度学习的进展，可以提高诊断准确性；然而，要求深度学习模型在种族、年龄、性别和其他因素变化时具有稳健性和可推广性，而现有的心电图数据库中没有包括日本人群的样本。本研究提供了一个新的开源心电图数据库，其中包含了 100 个患有阵发性心房颤动的日本患者的数据。该数据库为时长 24 小时，采样频率为 200 赫兹，共包含 2400 万秒的心电图数据。

    Jun, 2024

  • 基于注意力机制的双向循环神经网络检测阵发性心房颤动

    提出了一种基于深度学习的注意力框架，用于从窗口序列中检测阵发性房颤，并证明了该方法在长期监测方面应用潜力巨大。

    May, 2018

  • 卷积循环神经网络用于心电图分类

    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

  • 深度神经网络对 12 导心电图分类的泛化和微调

    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

  • 节拍对节拍：用循环神经网络分类心律失常

    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