May, 2023

使用 YOLOv8 进行实时心律失常检测的新应用

PDF
TL;DR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。
healthcare costscardiovascular healthcardiac arrhythmia detectionecg monitoringreal-time detection
发现论文，激发创造
  • 卷积神经网络实现心电信号的心律失常医生级别检测

    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

  • 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

  • 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

  • 基于超轻量级二值神经网络的心律失常分类器

    本研究提出了一种超轻量的二进制神经网络（BNN），该网络基于心电图信号能够实现 5 类和 17 类心律失常的分类，其实现了最小的已知存储空间，并在 17 类分类中实现了最优的准确性，证明了深度学习在医疗保健行业，特别是在可穿戴医疗设备中的潜力。

    Apr, 2023

  • 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

  • CardioLearn：基于云的心电图心脏疾病深度学习服务

    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

  • EB-GAME：心电图心跳异常检测中的变革者

    该研究使用深度学习基于生成对抗网络的异常检测模型（EB-GAME）在心电图中仅使用正常信号标签的训练数据进行异常信号检测，并在 MIT-BIH 心律失常数据集上取得了最先进的性能表现。

    Apr, 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

  • 利用可穿戴设备进行原始传感器数据端到端深度学习的心房颤动检测

    本文提出了一种使用卷积 - 循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据，其中使用穿戴式设备采集的 PPG 数据进行了 AFib 检测，结果表明该架构具有良好的准确性。

    Jul, 2018

  • 基于佩戴式心电监测系统、ECG 有损压缩方案和基于 ResNet 的房颤检测器的个性化心脏人群医疗研究

    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