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
本文介绍了使用心率变异性自动睡眠分期分类的最新技术,提出了一种基于长短时记忆网络(LSTM)的时态模型,使用美国睡眠医学协会注释标准获取手腕运动 PPG 的睡眠分期,在小型数据集上展示了知识转移的成功。
Sep, 2018
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
用心跳间隔基础分类及深度学习模型,可以在只利用 60 秒心跳间隔的条件下显着地优于基于传统心率变异性预测模型,此模型基于稳定易感人群和紧急科室急性心肌梗死症状患者的 474 名患者的 ECGs,以及 1172 个患者。
Dec, 2016
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
这项研究探讨了使用高级深度学习模型(如 LSTM 和基于 transformer 的架构)从 MIT-BIH 数据库预测心率时间序列的方法,结果表明,深度学习模型(尤其是 PatchTST)在多个指标上显著优于传统模型,更有效地捕捉复杂的模式和依赖关系,强调了深度学习在改善患者监测和心血管疾病管理方面的潜力,并提出了实质性的临床益处,未来的工作应该将这些发现扩展到更大、更多样化的数据集和真实世界的临床应用中以进一步验证和优化模型性能。
Jun, 2024
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
利用多特征融合和双向长短期记忆(Bi-LSTM)的资源高效方法对心电图(ECG)进行心跳分类,通过采用时间间隔和曲线下面积作为特征,改善 RBBB 和 LBBB 类别的分类准确率。
May, 2024
应用下采样、归一化和滤波等方法,对不同的多标签心电图数据集进行处理,评估其对不同高性能时间序列分类器的影响,并发现低至 50Hz 的采样率可以产生可比较的结果。此外,除了样本率降低可以可靠地减少计算资源,但不会增加准确性以外,我们还发现最小 - 最大归一化对整体效果稍微不利,而带通滤波则没有明显的差异。
Nov, 2023
该研究使用心率变异性指标以及光电容积描记传感器技术,综合信号处理和机器学习技术来准确推断心率变异性,能在少于 1ms 的推断时间内保证 13.0% 至 9.1% 的误差,使其更适用于小型嵌入式设备和未来的医疗保健监测应用中。
Mar, 2023