ECG 分类中的拓扑特征提取图神经网络
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
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
本文探讨一种基于 ECG 并采用两个流体系结构的神经网络算法,旨在能够高效地自动分类不同类别的心跳信号类型,实验结果表明,该算法在 MIT-BIH 心律失常数据库上的准确率达到了 99.38%,正面诊断准确率达到了 88.07%。
Oct, 2022
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。
Jul, 2023
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
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
通过大规模私有数据集和相对较小的公开数据集,我们提出了通过训练多样化的神经网络并在特定数据集上进行微调,从而提高心脏病预测质量的方法,并展示了如何利用深度神经网络的泛化能力来优化更多疾病的分类质量。
May, 2023
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
利用可见性图(VG)和矢量可见性图(VVG)辅以图卷积网络(GCNs),本研究探索了将心电图信号表示为图的方法,并在心律失常分类方面取得了良好的结果。
Apr, 2024
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