Jul, 2023

基于深度卷积神经网络和格里曼角场的心电图分类

PDF
TL;DR该研究提出了一种新的特征表示方法，将时间频率 1D 向量转换为 2D 图像，并利用卷积神经网络对转换后的心电信号进行分类，从而提高了分类性能并帮助识别和可视化心电信号的时间模式，具有诊断和治疗心血管疾病以及检测异常的重要意义。
signal processingdlecg signal analysisfeature representationanomaly detection
发现论文，激发创造
  • 卷积循环神经网络用于心电图分类

    本文介绍了两种针对心电图记录的深度神经网络架构，并通过 Physionet / CinC Challenge 2017 提供的房颤分类数据集对它们进行了评估。我们引入了 ECG 数据的简单数据增强方案，并证明了其在房颤分类任务中的有效性。我们发现，第二种架构优于第一种，在隐藏挑战测试集上获得了 82.1％的 F1 分数。

    Oct, 2017

  • 基于增强卷积神经网络的物联网心电图信号有效分类

    本文提出了一种基于物联网技术的新型心电监测方法，使用基于 DSR 和 REL 的路由系统，并测试了基于 ANN、SVM 和 CNN 的 ECG 信号分类方法。Deep-ECG 将采用深度 CNN 来提取重要特征，并使用简单且快速的距离函数进行分类，从而高效识别心脏问题。研究结果表明，所提出的策略在分类准确性方面优于其他方法。

    Feb, 2022

  • 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

  • 利用心电图信号的堆叠时频标图图像进行心律失常分类的深度学习模型

    本文提出了一种基于人工智能的自动化心电图分类系统，利用深度学习和卷积神经网络模型对心电图信号进行分析和识别以实现准确的心律失常分类。

    Dec, 2023

  • 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

  • 无需反向传播学习心电图信号特征

    本文提出一种基于理论物理思想生成时序型数据表示的新方法，该方法旨在识别可以有效捕捉特定类别样本的共享特征的线性规律，并利用这些规律构建了一个具有良好解释性和可验证性的分类器不可知表示方法，该表示方法能够在广泛的场景下应用，以实现心电图信号分类等任务的最先进性能。

    Jul, 2023

  • 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

  • PulseNet：使用随机增强策略和连续小波变换的深度学习心电信号分类（犬用）

    使用深度卷积神经网络 (CNN) 方法对犬的心电图序列进行分类研究，以诊断出是否出现心脏异常状况，以提高兽医的诊断性能，从而实现完善的兽医护理。

    May, 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

    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。

    Jun, 2023

  • 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