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

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

本文提出了一种基于人工智能的自动化心电图分类系统，利用深度学习和卷积神经网络模型对心电图信号进行分析和识别以实现准确的心律失常分类。

Dec, 2023

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

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

通过将临床规则引入卷积神经网络以提高自动心电图诊断性能，该论文提出了一种称为 HRNN 的手工规则增强神经网络，并在两个大型公共心电图数据集上进行了实验。

Jun, 2022

心率时间序列可以用于预测活动等分类任务，但需要谨慎选择归一化或分组技术以最小化主体差异问题。

Nov, 2023

深度学习在心电图诊断中的应用受限于现实场景中大规模标记数据集的稀缺，因此使用迁移学习来利用从更大数据集中学到的特征。然而，迁移学习能够始终优于从头开始训练的普遍假设尚未得到系统验证。本研究通过调查不同心电图数据集和深度神经网络的微调性能与从头开始训练的性能的比较，首次进行了关于迁移学习在多标签心电图分类中效果的大规模实证研究，结果显示对于小规模下游数据集，微调是一种较好的选择；然而，当数据集足够大时，从头开始训练也能够取得可比较的性能，尽管需要更长的训练时间来迎头赶上。此外，我们发现迁移学习与卷积神经网络相比较适用于时序心电图应用中最常见的两种结构：卷积神经网络和循环神经网络。我们的结果强调了迁移学习在心电图诊断中的重要性，但根据可用数据量，研究人员可能选择不使用迁移学习，考虑到与预训练相关的不可忽视的成本。

Feb, 2024

基于 ECG-SL 框架的心电信号分析方法，通过提取结构特征和学习时间信息，能够在心脏状况诊断、睡眠呼吸暂停检测和心律失常分类等临床应用中表现出竞争力。

Oct, 2023

本文提出一种基于理论物理思想生成时序型数据表示的新方法，该方法旨在识别可以有效捕捉特定类别样本的共享特征的线性规律，并利用这些规律构建了一个具有良好解释性和可验证性的分类器不可知表示方法，该表示方法能够在广泛的场景下应用，以实现心电图信号分类等任务的最先进性能。

Jul, 2023