心脏谱的相空间分析
本研究旨在应用相空间分析和卷积神经网络方法对来自 MIT-BIH 数据库的 44 个记录进行分类识别,以提高对心脏健康状况的诊断精度,结果表明该方法可以达到 90.90% 的准确率。
May, 2023
使用卷积神经网络的综合分析方法,自动识别关键特征及提高解释性,对多种多普勒观测图进行全面分析,并在心射血末期(ED)检测方面表现出竞争力。
Nov, 2023
利用深度学习和神经网络可以计算和预测心脏肌肉的室性心律失常,靶向识别电触发或驱动器,可以利用影像数据计算肌肉的内壁动作电位波形。
May, 2023
在这篇论文中,我们利用心脏病患者的 12 导联心电图(ECG)信号的空间协方差结构的黎曼几何来改善分类,通过协方差增强和切空间投影来提高特征提取质量,并通过消融实验证明相比传统机器学习模型和深度学习,我们的方法在 ECG 时间序列数据上取得显著的改进。
Nov, 2023
通过利用深度学习和变形图像配准技术,本研究描述了一种基于心脏通过 1D 运动描述符表示动态过程的方法,并定义了一组规则以确定五个心血管相位,从而实现对心脏功能的评估。
Sep, 2022
缺钾症的非侵入性仪器设计和检测方法研究,基于心电图的钾测量系统,包括心电图特征提取和选择以及基于 FCM-ANFIS 模型的检测,可降低心脏事件发生率。
Dec, 2023
我们提出了一种基于注意力机制的深度状态空间模型,将光电脉搏图信号转化为相应的心电图波形,从而通过连续的光电脉搏图监测来补充心电图的准确性以检测成人中最常见的心律失常,房颤。在 MIMIC III 数据库的 55 个受试者上对该模型进行了评估,定量和定性的实验结果证明了我们方法的有效性和效率。
Sep, 2023
本文研究数据分析中的低维数据表示问题,提出了一种名为扩散映射的算法,能够将复杂高维数据嵌入低维欧几里得空间,从而实现长时间演化系统的高效识别与聚类分析。
Mar, 2005
提出了一种新的融合熵度量方法 —— 形态心电图熵(MEE),用于全面描述振幅和相位模式的融合,通过对节拍级样本进行计算,可以对每个心脏周期进行详细分析,实验结果表明,MEE 能够快速、准确、无标签地定位异常心电图心律失常区域,这个熵度量方法还能用于评估样本多样性,有助于不平衡训练集的压缩,MEE 优于随机修剪法,而且能描述低质量区域,具有较强的噪声干扰鲁棒性和低计算复杂度。最后,将该方法集成到临床交互界面中,提供更便捷直观的用户体验,研究发现表明,MEE 是心电图特征描述的有价值临床指标。
Apr, 2024