本研究使用心电图特征作为实际数据来源,比较不同方法在识别三种特定病理状态与健康状态时的表现,结果显示部分方法具有较好的性能。
Apr, 2023
研究拟建立基于卷积神经网络(CNN)和长短期记忆(LSTM)分类器的解释性模型,探讨机器学习算法做出决策的模式,提高对心电图信号(ECG)节律分类的准确度。
May, 2022
本研究通过使用深度图神经网络提出了三种区分心电图信号的技术,通过从心电图信号中提取拓扑特征并使用图同构网络来对心电图进行分类,三种技术在 PTB 诊断数据集上分别取得了 99.38%、98.76%和 91.93%的心律失常分类准确率。
Nov, 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
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
本研究利用一个大型数据库训练出深度学习技术的特征提取器,结合多种单、多阶段及多种导联心电图实验,实现了 ECG 生物识别技术的精细分析及比较,并通过多个公共数据库的验证,进一步优化了模型,提出了行之有效的改进建议。
Apr, 2022
心血管疾病是全球死因的主要原因。本研究使用深度学习模型和基于树的模型分析了健康个体的心电图数据,发现年龄组之间的呼吸速率与 SDANN 值等特征有所差异,并且强调了 P 波在年龄预测中的关键作用,揭示了与年龄相关的心电图变化,并提供了超越传统特征方法的新见解。
Oct, 2023
本研究提出了深度学习及可解释 AI 方法结合,从局部和全局两个角度对心电图数据进行分析,提高了模型的透明度,同时发现了心肌梗塞亚型等心脏疾病的关键特征,为内部审核和疾病研究提供了有力工具。
May, 2023
提出了自监督的对比学习方法,实现了从心电图数据中进行心脏筛查和疾病诊断。
Aug, 2023
利用多个弱监督源学习诊断异常心跳的诊断模型,不需要在单个数据点上使用真实标签,并使用估算标签训练竞争分类器。
Jan, 2022