Apr, 2023

心律失常分类引导的心电图分割模型

PDF
TL;DR本研究提出了一种基于深度学习模型来精确勾画具有不同心律失常类型信号的新方法，使用了一种混合损失函数的分割模型用于心律失常分类，实验结果表明该模型与先前的勾画算法在 Lobachevsky University Database (LUDB) 上表现竞争力。
发现论文，激发创造
  • ECG-SL：心电图 (ECG) 片段学习，一种用于 ECG 信号的深度学习方法

    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

  • ECG 复杂划分的自学模型

    本文介绍了一种针对心电图（ECG）划分的新方法，通过伪标记未标记的数据并使用我们的数据集进行训练，从而改善 ECG 划分的预测质量，揭示了该数据集对训练稳健模型的价值。

    Jun, 2024

  • 基于序列到序列深度学习的心电图心跳分类技术实现心律失常检测

    使用深度卷积神经网络和序列到序列模型，提出了一种自动心跳分类方法来解决心律失常分类中出现的问题，并在 MIT-BIH 心律失常数据库上进行了评估、分析和测试，结果显示该方法在文献中具有最佳性能。

    Dec, 2018

  • ECGformer：利用 Transformer 进行心电图心跳心律失常分类

    通过使用变压器模型 (ECGformer)，我们发展了一种用于分类心电图数据中各种心律失常的方法，结果表明该方法非常有效。

    Jan, 2024

  • ECG 心跳分类：深度可迁移表示

    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

  • 应用深度学习网络对心房心动过速的心脏电图进行分类

    本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号，从而提高治疗效果及减少人工标注带来的时间和误差。

    Jun, 2022

  • 利用心电图信号的堆叠时频标图图像进行心律失常分类的深度学习模型

    本文提出了一种基于人工智能的自动化心电图分类系统，利用深度学习和卷积神经网络模型对心电图信号进行分析和识别以实现准确的心律失常分类。

    Dec, 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

  • 基于心电数据的可解释机器学习模型用于心律失常检测的开发

    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

  • 优化特征提取的高级神经网络架构用于增强多导联心电图心律失常检测

    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