Oct, 2023

利用可解释人工智能揭示健康衰老期间的心电图变化

PDF
TL;DR心血管疾病是全球死因的主要原因。本研究使用深度学习模型和基于树的模型分析了健康个体的心电图数据，发现年龄组之间的呼吸速率与 SDANN 值等特征有所差异，并且强调了 P 波在年龄预测中的关键作用，揭示了与年龄相关的心电图变化，并提供了超越传统特征方法的新见解。
cardiovascular diseasesheart aging processeselectrocardiogram (ecg)deep-learning modelage-related ecg changes
发现论文，激发创造
  • CardioLearn：基于云的心电图心脏疾病深度学习服务

    本研究呈现了我们在建立、训练和提供心脏疾病检测的深度学习云服务 CardioLearn 上的工作，该服务可提供公共服务方案，解决了传统 ECG 疾病检测模型存在的诊断率误差高的限制，我们也设计了一个便携式智能硬件设备及与之交互的移动程序，可以随时随地检测潜在的心脏疾病。

    Jul, 2020

  • 超声心动图中人口统计学生物标记的深度学习发现

    本研究使用卷积神经网络进行深度学习，尝试从两个医疗系统的大型超声心动图数据集中预测患者的年龄、种族和性别，并评估影响因素的变化。结果表明，深度学习模型可以较准确地预测年龄和性别，但未能可靠地预测种族。该研究进一步说明了医疗人工智能中存在的偏见和不公平问题。

    Jul, 2022

  • 基于心电数据的可解释机器学习模型用于心律失常检测的开发

    研究拟建立基于卷积神经网络（CNN）和长短期记忆（LSTM）分类器的解释性模型，探讨机器学习算法做出决策的模式，提高对心电图信号（ECG）节律分类的准确度。

    May, 2022

  • 心电图分析深度学习解释：审计和知识发现的基础模块

    本研究提出了深度学习及可解释 AI 方法结合，从局部和全局两个角度对心电图数据进行分析，提高了模型的透明度，同时发现了心肌梗塞亚型等心脏疾病的关键特征，为内部审核和疾病研究提供了有力工具。

    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

  • 心电图异常检测：通过自监督学习推进临床诊断

    通过利用正常心电图数据集进行自我监督的异常检测，该研究提出了一种新的心电图异常检测方法，结合遮蔽和恢复技术以及多尺度交叉注意模块，实现了对心脏异常的精确检测和定位，从而显著提高了现有模型的性能。

    Apr, 2024

  • 深度学习方法在心电图数据中的机遇与挑战：一项系统综述

    本文针对 2010 年至 2020 年间应用深度学习模型于心电图 (ECG) 数据的文献进行系统性总结，发现各种深度学习体系结构已被用于心电图分析任务，包括疾病检测 / 分类、标注 / 定位、睡眠分期、生物度量人类识别和去噪等，其中融合卷积神经网络和循环神经网络专家特征的混合体系结构表现最佳。同时，也指出了存在的挑战和问题，诸如可解释性、可扩展性和效率等方面，提出了未来可能的研究方向。

    Dec, 2019

  • 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

  • LightX3ECG：三导联心电图分类的轻量级可解释深度学习系统

    本研究开发了一个新颖的深度学习系统，仅使用三个心电图导联就能准确识别多种心血管异常。

    Jul, 2022

  • 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