SiamAF:通过心电图和脉搏图信号学习共享信息以实现稳健的房颤检测
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
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
提出了一种新颖的深度学习模型 Signal Quality Weighted Fusion of Attentional Convolution and Recurrent Neural Network (SQUWA),通过使用注意机制动态调整时间序列片段的权重,实现对部分有损坏的 PPG 信号的准确预测,从而改善对 AF 风险的监测和对 AF 负荷的更准确估计。实验证明,SQUWA 在减轻标签噪声的情况下达到了最高的 AUCPR 值 0.89,超过了同时使用心电图(ECG)和 PPG 数据训练的模型的 0.86 AUCPR 值。
Apr, 2024
我们提出一种基于对比学习的深度学习框架,用于使用生理信号进行患者相似性搜索。我们使用对比学习的方法来学习具有相似生理信号数据的患者的相似嵌入。我们还引入了一些邻居选择算法来确定具有最高相似性的患者。为了验证我们的框架对于衡量患者相似性的有效性,我们选择使用智能手表设备获取的光电容积脉搏图(PPG)信号来检测心房颤动(AF)作为我们的案例研究。我们对超过 170 人的数据集对我们的框架进行了大量实验证明,并将我们的框架与该数据集上的其他基线方法进行了比较。
Jul, 2023
提出了一种在超边缘设备上进行实时心房颤动检测的高准确度、资源高效的分类器方法,该方法采用了精确的信号特征工程,可以消耗更少的内存、更快的速度以及更高的检测准确率。
Nov, 2021
通过神经网络模型识别出心电图中无明显房颤迹象但将来可能发展成房颤的患者,并使用生存模型确定了高风险和低风险患者的发病概率,为房颤风险评估提供了有价值且实用的决策辅助信息。
Sep, 2023
本研究设计了一个个性化健康诊断系统,包括一个可穿戴式心电图设备、移动应用程序和后端服务器,可以对用户的心电信息进行持续监测,以提供个性化的健康警告 / 反馈,通过远程诊断和干预等方式支持与健康顾问的沟通。在此系统中,提出了一种利用心电信号准周期特征的有损信号压缩方法,设计并训练了一个基于 ResNet 的 AF 诊断器,该诊断器在测试中取得了较好的效果,F1 得分最高可达 87.31%。
Jul, 2022