Jun, 2023

基于无监督领域适应的跨数据库和跨通道的心电信号心律失常分类

PDF
TL;DR本研究提出了一种基于交叉领域特征差异优化的领域自适应深度网络解决心电图分类的方法，在交叉域和交叉通道的模式下，有效地检测室性早搏、窦性早搏和融合早搏，与非领域自适应基准方法相比，整体准确率平均提高了 11.78％。
ecg classificationdomain-adaptive deep networkfeature discrepancy optimizationventricular ectopic beatssupraventricular ectopic beats
发现论文，激发创造
  • 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

  • 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

  • 使用卷积神经网络实现基于域泛化的 12 导联心电图分类

    本研究阐明不同医院数据库之间存在的领域泛化问题，并提出一种在深度神经网络架构中利用提取的信息和捕捉信号基础结构的方法，用于对 12 导联心电图进行异常分类。我们采用 ResNet-18 作为骨干模型，并从网络的多个中间卷积层中提取特征。通过在四个来源的公开可用心电图数据集上进行训练和评估，我们的方法在大多数情况下超过了基线。

    Aug, 2022

  • 多尺度电囊异常检测的交叉恢复框架

    该论文提出了一种新的多尺度交叉修复框架来检测和定位心电图异常，通过考虑本地和全局心电图特征利用异常检测和自动编码器，在大量个体上实现了最先进的性能，并提出了一个具有点级标注的挑战性基准数据集。

    Aug, 2023

  • 心电图异常检测：通过自监督学习推进临床诊断

    通过利用正常心电图数据集进行自我监督的异常检测，该研究提出了一种新的心电图异常检测方法，结合遮蔽和恢复技术以及多尺度交叉注意模块，实现了对心脏异常的精确检测和定位，从而显著提高了现有模型的性能。

    Apr, 2024

  • GraphEcho: 基于图的无监督心房超声分割领域适应

    该研究针对超声心动图视频分割，通过无监督领域自适应方法建立了 CardiacUDA 数据集，并引入了一种名为 GraphEcho 的新方法，利用心动周期一致性以及超声心动图视频的先验知识，通过空间交叉域图匹配和时间周期一致性模块，实现了对心脏结构的更好分割，实验证明 GraphEcho 优于现有的 UDA 分割方法。

    Sep, 2023

  • 软自适应阈值谱增强的光谱跨域神经网络

    本文提出了一种名为 SCDNN 的深度学习模型，其中包含一种新型的 Soft-adaptive threshold spectral enhancement (SATSE) 块，可同时显示神经网络中嵌入的频谱和时间域关键信息，有效地解决了识别复杂 ECG 形式的难点。SCDNN 在公共 ECG 数据库 PTB-XL 和 MIT-BIH 上取得了比现有方法更好的分类结果。

    Jan, 2023

  • 心律失常分类引导的心电图分割模型

    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。

    Apr, 2023

  • 使用自监督学习的多模态多导联心电图心律失常分类

    本论文提出了基于自监督学习技术的多模态心电图分类方法，利用单模态 ECG 的时间序列和频谱信息，以及 SSL-pre-stream 任务和 down-stream 任务结合的方式实现。在评估这种方法的有效性时，使用 12 导联 PhysioNet 2020 数据集进行了十折交叉验证。

    Sep, 2022

  • ECG 信号分类的双流网络

    本文探讨一种基于 ECG 并采用两个流体系结构的神经网络算法，旨在能够高效地自动分类不同类别的心跳信号类型，实验结果表明，该算法在 MIT-BIH 心律失常数据库上的准确率达到了 99.38％，正面诊断准确率达到了 88.07％。

    Oct, 2022