使用长短期记忆网络从右至左和头至足组分中重建三轴心动图

Jul, 2023

使用长短期记忆网络从右至左和头至足组分中重建三轴心动图

Reconstruction of 3-Axis Seismocardiogram from Right-to-left and Head-to-foot Components Using A Long Short-Term Memory Network

PDF

Mohammad Muntasir Rahman, Amirtahà Taebi

TL;DR本文旨在开发一个深度学习模型，从横向和纵向的 SCG 信号中预测骶麟方向的 SCG 信号，并通过使用双轴加速度计获得的数据，展示了深度学习模型重构三轴 SCG 信号的潜力。

Abstract

This pilot study aims to develop a deep learning model for predicting seismocardiogram (SCG) signals in the dorsoventral direction from th

deep learning seismocardiogram dorsoventral direction lstm network accelerometers

发现论文，激发创造

一种利用可穿戴震动心动图（SCG）进行主动脉瓣狭窄诊断和 4D 流 MRI 获取主动脉血液动力学预测的深度学习方法

本文研究了在低成本的可穿戴式设备上使用深度学习，通过测量心脏震动信号来预测使用 4D 流 MRI 获得的主动脉血流量参数。该深度学习技术可以用于血流病理变化的识别，并能够区分健康受试者和心脏瓣膜疾病患者。

Jan, 2023

利用地震心电图进行可靠心脏活动监测的端到端深度学习

该研究提出了一种基于 SeismoNet 的深度卷积神经网络解决方案，旨在从地震心电图信号中稳健地观察心脏活动，并通过直接检测 R 峰而不需要提取手工特征，实现心脏监测以及 Atrial Fibrillation 的预防。

Oct, 2020

应用深度学习网络对心房心动过速的心脏电图进行分类

本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号，从而提高治疗效果及减少人工标注带来的时间和误差。

Jun, 2022

多视角心脏图像分割在转 - 维先验下的研究

我们提出了一种新的多阶段跨维度架构，用于多视角心脏图像分割。我们的方法利用短轴和长轴核磁共振（MR）图像之间的关系进行序列化的三维至二维至三维分割，分割长轴和短轴图像。我们的方法在分割短轴和长轴图像中的心脏感兴趣区域方面优于现有方法，在 Multi-Disease、Multi-View & Multi-Center Right Ventricular Segmentation in Cardiac MRI (M&Ms-2) 数据集上进行了评估。

Apr, 2024

应用于心电图的 LSTM 可视化技术

本文探讨了四种可用于连续值时间序列的长短期记忆网络的可视化技术。在本文所分析的数据集上，我们发现最好的可视化技术是学习一个输入删除掩码，以最佳方式减少真实类别分数。针对来自 MIT-BIH 心律失常数据集的单导联心电图，我们展示了 LSTM 分类器的显著输入特征与医学理论的很好对齐。

May, 2017

一种紧凑的 LSTM-SVM 融合模型用于长期心血管疾病检测

本研究提出了一种用于心血管疾病早期检测的流程，结合了机器学习和深度学习的技术，并利用长短时记忆神经网络（LSTM）和支持向量机（SVM）的混合模型进行欺诈检测，取得了卓越的成果。这种方法对于心血管疾病的早期检测和管理具有显著的益处。

Nov, 2023

利用多特征融合和双向 LSTM 实现资源高效心跳分类

利用多特征融合和双向长短期记忆（Bi-LSTM）的资源高效方法对心电图（ECG）进行心跳分类，通过采用时间间隔和曲线下面积作为特征，改善 RBBB 和 LBBB 类别的分类准确率。

May, 2024

基于 HRV 的睡眠分期的 LSTM 知识迁移

本文介绍了使用心率变异性自动睡眠分期分类的最新技术，提出了一种基于长短时记忆网络（LSTM）的时态模型，使用美国睡眠医学协会注释标准获取手腕运动 PPG 的睡眠分期，在小型数据集上展示了知识转移的成功。

Sep, 2018

基于 LSTM 的 GRACE 加速度计数据预测模型

该研究提出了一种填补数据空缺和预测 GRACE 加速度计数据的方法，使用了 Long Short-Term Memory（LSTM）网络来训练一个能够预测三个轴加速度计数据的模型，并通过实验证明了该 LSTM 预测模型在填补数据空缺和预测 GRACE 加速度计数据方面的有效性。

Aug, 2023

基于时空 SAM 适应的心脏磁共振 2D+T 短轴和长轴分割

利用 CMR2D + T-SAM 对 2D + T 心肌分割进行了改进，通过空时调整和 U-Net 框架，利用文本提示以单一模型实现了对短轴和长轴视图的准确分割，在 STACOM2011 数据集上取得 0.885 的心肌 Dice 分数和 2.900 像素的 Hausdorff 距离，并在 ACDC 数据集上展示了 0.840 的 Dice 分数和 4.076 像素的 Hausdorff 距离。

Mar, 2024