Jun, 2023

变革心电图诊断：基于 Transformer 的深度学习模型在心血管疾病检测中的深入评估

PDF
TL;DR本文阐述了 Transformer 结构在心电图分类任务中的应用，总结了最新的 Transformer 模型并探讨了其应用中的挑战和未来的改进方向，为研究人员和从业者提供了宝贵的资源，旨在为心电图识别中的创新应用提供建议。
deep learningelectrocardiogramstransformersecg classificationtemporal relationships
发现论文，激发创造
  • 利用基于视觉的 Transformer 模型从心电图像中检测心脏疾病

    使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究进行比较，结果显示该框架具有显著的分类结果。

    Oct, 2023

  • 深度学习方法在心电图数据中的机遇与挑战：一项系统综述

    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

  • 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

  • 使用深度神经网络进行 12 导联心电图的自动诊断

    使用超过 200 万标记心电图的数据训练的深度神经网络模型，比心脏病学住院医生在识别 12 导联心电图上准确率高，F1 分数超过 80％且特异性高于 99％，这表明基于 DNN 的 ECG 分析可推广到 12 导联心电图上，可应用于标准临床实践中。

    Apr, 2019

  • 掩码变压器用于心电图分类

    本研究提出了一种名为 MTECG 的有用的掩模 Transformer 方法，将掩模自编码器应用于心电图时间序列，实验结果在心电图分类中表现显著优于最新的算法。

    Aug, 2023

  • 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

  • MVMTnet：一种基于多变量多模态转换器的心脏不规律多类分类方法，使用 ECG 波形和临床记录

    提出了一种基于多模型 Transformer 的深度学习架构，通过整合临床记录，实现了对心血管疾病的多类别检测，并为实现临床和急诊环境下的实时患者状态监测奠定了基础。

    Feb, 2023

  • ECG 应激检测的 Transformer 架构

    本文介绍了一种基于卷积层和变压器机制的深度神经网络，用于通过心电信号检测压力，实验结果表明该模型在两个公共数据集 WESAD 和 SWELL-KW 上达到了与 ECG 压力检测领域现有技术水平相当甚至更好的结果。此外，该方法是端到端的，不需要手工制作特征，并且只需使用少量的卷积块和变压器组件即可学习稳健的表示形式。

    Aug, 2021

  • 深度神经网络对 12 导心电图分类的泛化和微调

    通过大规模私有数据集和相对较小的公开数据集，我们提出了通过训练多样化的神经网络并在特定数据集上进行微调，从而提高心脏病预测质量的方法，并展示了如何利用深度神经网络的泛化能力来优化更多疾病的分类质量。

    May, 2023

  • 应用深度学习对急诊心电图进行心脏和除心脏疾病辨别

    该研究展示了一种单一模型在急诊科收集到的心电图数据上具备预测多种心脏和非心脏病症的能力，并提出将该模型作为筛查工具并纳入综合临床决策支持系统来高效地对患者进行分诊。研究强调了全面的心电图分析算法和开放式 MIMIC-IV-ECG 数据集的卓越性能，推动了心电图分析领域的重大进展。

    Dec, 2023