使用基于距离关系的新特征提取方法，提高了轻量级模型的性能，为家庭睡眠呼吸暂停监测和睡眠呼吸暂停检测在物联网设备中的应用潜力。

Nov, 2023

基于 ECG-SL 框架的心电信号分析方法，通过提取结构特征和学习时间信息，能够在心脏状况诊断、睡眠呼吸暂停检测和心律失常分类等临床应用中表现出竞争力。

Oct, 2023

通过利用正常心电图数据集进行自我监督的异常检测，该研究提出了一种新的心电图异常检测方法，结合遮蔽和恢复技术以及多尺度交叉注意模块，实现了对心脏异常的精确检测和定位，从而显著提高了现有模型的性能。

Apr, 2024

本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

Oct, 2016

我们引入一种基于熵的分类方法 (ECPS) 用于量化心率和逐拍血压记录中的相互依赖关系。该方法的目的是为每个主体获取两个交织数据系列组成的数据，并基于序数模式和类似熵的指数构建一个分类器。使用机器学习选取最适合我们分类问题的一组指数，以便建立一个对于区分患有阻塞性睡眠呼吸暂停症的患者和对照组的最优且简单的模型。

Nov, 2023

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

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

通过使用智能手机传感器，本研究旨在评估使用 Apneal 应用程序检测患者 AHI 的性能，并通过一个基于深度学习模型的自动化方法准确评分。手动评分相对于 PSG 评分表明智能手机信号的手动评分是可行且准确的，而基于深度学习模型的自动评分方法提供了有希望的结果。需要进行更大的多中心验证研究以确认这些结果。

Jun, 2024

该研究提出了一种基于 SeismoNet 的深度卷积神经网络解决方案，旨在从地震心电图信号中稳健地观察心脏活动，并通过直接检测 R 峰而不需要提取手工特征，实现心脏监测以及 Atrial Fibrillation 的预防。

Oct, 2020