Dec, 2023

利用心电图信号的堆叠时频标图图像进行心律失常分类的深度学习模型

PDF
TL;DR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。
electrocardiogramsarrhythmia classificationai-based systemdeep learningcnn models
发现论文，激发创造
  • 卷积循环神经网络用于心电图分类

    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

  • 应用深度学习网络对心房心动过速的心脏电图进行分类

    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

  • 节拍对节拍：用循环神经网络分类心律失常

    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

  • 基于序列到序列深度学习的心电图心跳分类技术实现心律失常检测

    使用深度卷积神经网络和序列到序列模型，提出了一种自动心跳分类方法来解决心律失常分类中出现的问题，并在 MIT-BIH 心律失常数据库上进行了评估、分析和测试，结果显示该方法在文献中具有最佳性能。

    Dec, 2018

  • 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

  • 优化特征提取的高级神经网络架构用于增强多导联心电图心律失常检测

    本研究提出一种创新的方法，利用深度学习技术，特别是卷积神经网络（CNN），来解决心律失常分类的复杂性。通过利用多导联心电图（ECG）数据，我们的 CNN 模型在识别左束支传导阻滞（LBBB）、右束支传导阻滞（RBBB）、房性早搏（APC）、室性早搏（PVC）和正常心跳五种不同类型的心脏跳动方面展现出有希望的结果。我们的方法有望提高心血管心律失常的诊断准确性，为临床决策提供更精确的解决方案，从而改善患者的治疗结果。

    Apr, 2024

  • 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

  • ECGformer：利用 Transformer 进行心电图心跳心律失常分类

    通过使用变压器模型 (ECGformer)，我们发展了一种用于分类心电图数据中各种心律失常的方法，结果表明该方法非常有效。

    Jan, 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

  • PulseNet：使用随机增强策略和连续小波变换的深度学习心电信号分类（犬用）

    使用深度卷积神经网络 (CNN) 方法对犬的心电图序列进行分类研究，以诊断出是否出现心脏异常状况，以提高兽医的诊断性能，从而实现完善的兽医护理。

    May, 2023