通过评估 11 种特征归因方法的三个评估指标,即定位分数、指向游戏和退化得分,我们发现 Grad-CAM 这种方法非常适用于解释心电图 (ECG) 检测,并且比第二优秀的方法表现更加卓越。
Nov, 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
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
本研究开发了一个新颖的深度学习系统,仅使用三个心电图导联就能准确识别多种心血管异常。
Jul, 2022
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
医疗行业产生大量复杂临床数据,数据挖掘技术在诊断和预测医学数据集中的隐藏模式和知识方面表现出高效性和准确性,并且分类算法中的随机森林以 99.24% 的准确率被证明是预测心脏病的最佳算法。
Dec, 2023
本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法,该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征,并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险,优于现有的风险因子评估方案。
Dec, 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
本文研究机器学习算法中普遍存在的可解释性方法,通过不同的解释方法应用到简单的模型中,发现不同之处并提出一种新的方法来比较不同解释间的差异。
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