Aug, 2023

多类多标记心律失常的局部 - 全局时间融合网络与注意力机制

PDF
TL;DR提出了一种利用临床决策支持系统来检测和分类心律失常的框架，通过提取局部时空信息、全局模式提取以及局部 - 全局信息融合来进行心律失常检测和分类，同时在 MIT-BIH 心律失常数据库上得到了优于对比模型的结果。
clinical decision support systemsarrhythmia classificationelectrocardiogramslocal-global information fusionmit-bih arrhythmia database
发现论文，激发创造
  • 基于注意力机制的双向循环神经网络检测阵发性心房颤动

    提出了一种基于深度学习的注意力框架，用于从窗口序列中检测阵发性房颤，并证明了该方法在长期监测方面应用潜力巨大。

    May, 2018

  • 节拍对节拍：用循环神经网络分类心律失常

    利用带有注释的 12,186 个单引导 ECG 记录数据集，我们构建了一种多样化的循环神经网络 (RNNs) 集成，以区分正常窦性心律、房颤、其他类型的心律失常和信号过于嘈杂难以解释。通过注意力机制，使我们的模型具有高度可解释性，并在看不见的测试集（n = 3,658）上实现了 0.79 的平均 F1 得分，同时也达到了最先进的分类性能。

    Oct, 2017

  • 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

  • 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

  • 利用可穿戴设备进行原始传感器数据端到端深度学习的心房颤动检测

    本文提出了一种使用卷积 - 循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据，其中使用穿戴式设备采集的 PPG 数据进行了 AFib 检测，结果表明该架构具有良好的准确性。

    Jul, 2018

  • 诱因推理作为重塑心电图房颤专家标准的基础

    本研究提出了一种基于 Construe 推理框架的心电信号自动检测房颤，其他心律失常和噪音的新方法，并探讨了一致的分类标准在训练数据集中的重要性，研究结果表明，使用该方法可以对包含较大噪声水平的数据进行有价值的描述。

    Feb, 2018

  • 基于压缩机的房颤检测分类

    用压缩器为基础的文本分类方法应用于房颤检测的任务，通过应用正规化压缩距离于 RR 间期序列和 k - 最近邻分类器的配置，以及最优窗口长度，我们取得较好的分类结果，该方法在生物医学数据和连续的随机序列中具有应用潜力。

    Aug, 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

  • 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

  • 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