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

提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

Jun, 2023

本文探讨了对电心图 (ECG) 信号进行对比学习和深度学习的应用来诊断心血管疾病的方法。此应用可以在具有较少 ECG 导联的情况下提高诊断性能，并且证明了对比学习在此任务上的潜力。

Apr, 2023

使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究进行比较，结果显示该框架具有显著的分类结果。

Oct, 2023

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

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

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