Jun, 2023

电心卫士：通过神经网络在心电图数据库中预防患者误识别

PDF
TL;DR本研究旨在解决电信号记录错误的问题，通过提出一种小型且高效的基于神经网络的模型用于确定两个心电监护图是否来自同一患者，其在不到平均参数数量 760 倍的情况下表现出极好的推理能力，并将其在新收集的心电图数据集上进行了评估，并向研究社区公开发布。
electrocardiogramsneural-networkpatient identificationrecording-assignment mistakesecg dataset
发现论文，激发创造
  • 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

  • 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

  • 使用手工规则增强的神经网络识别心电图异常

    通过将临床规则引入卷积神经网络以提高自动心电图诊断性能，该论文提出了一种称为 HRNN 的手工规则增强神经网络，并在两个大型公共心电图数据集上进行了实验。

    Jun, 2022

  • 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

  • ECG 生物特征识别：评述、系统提出和基准评估

    本研究利用一个大型数据库训练出深度学习技术的特征提取器，结合多种单、多阶段及多种导联心电图实验，实现了 ECG 生物识别技术的精细分析及比较，并通过多个公共数据库的验证，进一步优化了模型，提出了行之有效的改进建议。

    Apr, 2022

  • LightX3ECG：三导联心电图分类的轻量级可解释深度学习系统

    本研究开发了一个新颖的深度学习系统，仅使用三个心电图导联就能准确识别多种心血管异常。

    Jul, 2022

  • 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

  • 心血管疾病多标签预测的半监督学习：多数据集研究

    提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

    Jun, 2023

  • ECG 分类中的拓扑特征提取图神经网络

    本研究通过使用深度图神经网络提出了三种区分心电图信号的技术，通过从心电图信号中提取拓扑特征并使用图同构网络来对心电图进行分类，三种技术在 PTB 诊断数据集上分别取得了 99.38％、98.76％和 91.93％的心律失常分类准确率。

    Nov, 2023

  • 基于多模态对比学习的心血管疾病诊断：来自心电图（ECG）信号和患者元数据的分析

    本文探讨了对电心图 (ECG) 信号进行对比学习和深度学习的应用来诊断心血管疾病的方法。此应用可以在具有较少 ECG 导联的情况下提高诊断性能，并且证明了对比学习在此任务上的潜力。

    Apr, 2023