Sep, 2023

一种用于保持形态的胎儿心电图提取的新型深度学习技术：基于 1D-CycleGAN 的母体心电图

PDF
TL;DR通过基于 1D CycleGAN 的方法，我们能够在保持心电图形态的同时，重建胎儿心电图信号，从而提高胎儿心率和 R-R 间期的估计准确性，为胎儿心脏疾病的早期诊断和定期健康检查提供一种高效的工具。
fetal electrocardiogramfecg1d cycleganmorphologyfetal heart diseases
发现论文，激发创造
  • 基于循环生成对抗网络的盲源心电图恢复

    本文提出了一个新方法，使用 Cycle-GAN 来盲目去噪 ECG 信号，从而提高信号质量，无论信号受到何种类型和严重程度的干扰，使其恢复成临床水平的 ECG。该方法在 CPSC-2020 ECG 数据集上经过了量化和定性评估，并得到了心脏病专家的验证。

    Jan, 2022

  • 胎儿心脏 MRI 重建中的深度学习挑战

    利用深度学习方法恢复被欠采样数据的能力可以优化 kt-SENSE 采集策略并改善无门控 kt-SENSE 重建质量，本研究在真实数据上研究监督深度学习网络对 kt-SENSE 方式获得的数据进行重建的性能，发现多线圈数据直接进行训练可以提高模型性能，并在未采样数据上应用，但其对胎儿心脏的动态特性表现不佳，建议针对胎儿心脏应用进行更有针对性的训练和评估方法。

    Aug, 2023

  • 基于长期产前电子胎心监测数据的胎儿健康监测的深度学习与信息融合及模型解释

    该研究开发了一个名为 LARA 的长期胎心率监测自动分析系统，结合了深度学习和信息融合方法，其核心是一个卷积神经网络模型。该系统通过处理长期胎心率数据并生成风险分布图和风险指数作为分析结果，具有良好的性能。研究观察到具有较高风险指数的长期胎心率监测数据更有可能导致不良结果。该研究首次引入了 LARA 作为长期胎心率监测的自动分析系统，并为未来其在临床价值方面开展进一步的探索奠定了基础。

    Jan, 2024

  • 基于 12 导联心电图的先天性心脏病解剖诊断的黎曼预测

    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

  • 多种光谱及组织多普勒超声心动图的综合分析统一方法

    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

  • EB-GAME：心电图心跳异常检测中的变革者

    该研究使用深度学习基于生成对抗网络的异常检测模型（EB-GAME）在心电图中仅使用正常信号标签的训练数据进行异常信号检测，并在 MIT-BIH 心律失常数据集上取得了最先进的性能表现。

    Apr, 2024

  • ECG-CL: 一种基于持续学习的全面心电图解释方法

    提出了一个多分辨率模型，利用局部形态信息和全局节奏信息，通过开发低分辨率高级语义信息，持续维持高分辨率低级语义信息，从而成功地从 ECG 细分中提取信息丰富的形态和节律特征，从智能可穿戴应用的角度，也确认基于单导联 ECG 的全面 ECG 解释算法的可能性。

    Apr, 2023

  • 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

  • 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

  • 基于注意力机制的深度状态空间建模的连续房颤检测中 PPG 到 ECG 信号转换

    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