面向威胁生命的室性心律失常检测的微小机器学习设计竞赛
通过只使用 6k 个参数的微型 Transformer 模型,本文在 MIT-BIH 心律失常数据库上达到了 98.97%的识别准确率,并通过在低功耗微控制器设备上进行高效执行的 8 位整数推理,证明了其适用于可穿戴监测解决方案。
Feb, 2024
使用单导联可穿戴监测器记录的心电图,开发了一种算法,可以检测出广泛类型的心律失常,其表现超过了获得认证的心脏病专家。通过 34 层的卷积神经网络,将心电图样本序列映射到节律类别序列,并将其与 6 位独立心脏病专家的性能进行比较。结果表明,该算法在感知率和阳性预测价值等方面均优于平均心脏病专家。
Jul, 2017
我们提出了一种整合模拟计算和深度学习的方法用于心电图(ECG)心律失常分类。我们提出了 EKGNet,一种硬件高效且完全模拟的心律失常分类架构,其在低功耗下实现了高准确性。该架构利用亚阈值区操作的晶体管的能量效率,消除了模数转换器(ADC)和静态随机存取内存(SRAM)的需求。系统设计包括一种新颖的模拟顺序乘积累加(MAC)电路,可以减轻过程、供电电压和温度的变化。对 PhysioNet 的 MIT-BIH 和 PTB 诊断数据集的实验评估表明,该方法的有效性,分别实现了 95% 和 94.25% 的平均平衡准确性,用于患者内心律失常分类和心肌梗死(MI)分类。这种创新的方法为开发低功耗心律失常分类系统在生物医学应用中提供了一个有前景的途径。
Oct, 2023
本研究旨在优化低功耗传感技术在医疗保健中的应用,通过使用机器学习和神经网络的方法对生理信号进行监测和识别,提高传感设备的临床价值,并在使用嵌入式处理器 nRF52 时实现低功耗高精度计算。
Jan, 2020
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
本论文提出一种基于 YOLOv8 算法的心律失常检测应用,通过在 MIT-BIH 数据集上的 fine-tuning,实现对单导联 ECG 信号的实时检测,可持续监测,检测时间为 0.002 秒,mAP@50 达到 0.961,能够为家庭用户提供直观的模型输出,实现了实时心律失常检测,具有推广至医疗行业的潜力。
May, 2023
该研究探讨了利用心电图推断心肌组织特性和开发面向心肌梗死的全面心脏数字模型的可行性,结果表明该模型能够有效捕捉 QRS 信号和相应梗死区域之间的复杂关系,未来在临床应用中具有巨大潜力。
Jul, 2023
本研究设计了一个个性化健康诊断系统,包括一个可穿戴式心电图设备、移动应用程序和后端服务器,可以对用户的心电信息进行持续监测,以提供个性化的健康警告 / 反馈,通过远程诊断和干预等方式支持与健康顾问的沟通。在此系统中,提出了一种利用心电信号准周期特征的有损信号压缩方法,设计并训练了一个基于 ResNet 的 AF 诊断器,该诊断器在测试中取得了较好的效果,F1 得分最高可达 87.31%。
Jul, 2022
本研究详细探讨了使用卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)和深度置信网络(DBN)通过可编程门阵列(FPGA)改进对心电图(ECG)信号的分析的复杂神经网络框架,使用 MIT-BIH 心律失常数据库作为模型训练和评估的基础,并加入高斯噪声来提高算法的鲁棒性。研究中我们采用多层结构进行特定处理和分类功能的设计,使用了 EarlyStopping 回调和 Dropout 层等策略来防止过拟合现象。此外,还详细介绍了为 PYNQ Z1 平台创建定制化的张量计算单元(TCU)加速器的过程。该研究提供了一个系统的方法论,涵盖了在 Docker 中配置 Tensil 工具链、选择架构、PS-PL 配置以及模型的编译和部署。通过评估延迟和吞吐量等性能指标,展示了 FPGA 在先进的生物医学计算中的效果。最终,本研究成果在各个领域优化 FPGA 上的神经网络操作提供了全面的指南。
Nov, 2023
本研究介绍了分析可植入心脏监测 (ICM) 数据的挑战和解决方法,并介绍了在此类数据上表现优异的分类方法,以辅助医疗保健专业人员对来自 ICM 的心电图进行分析。
Jul, 2023