一种紧凑的 LSTM-SVM 融合模型用于长期心血管疾病检测

Nov, 2023

一种紧凑的 LSTM-SVM 融合模型用于长期心血管疾病检测

A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular Diseases Detection

Siyang Wu

TL;DR本研究提出了一种用于心血管疾病早期检测的流程，结合了机器学习和深度学习的技术，并利用长短时记忆神经网络（LSTM）和支持向量机（SVM）的混合模型进行欺诈检测，取得了卓越的成果。这种方法对于心血管疾病的早期检测和管理具有显著的益处。

Abstract

Globally, cardiovascular diseases (CVDs) are the leading cause of mortality, accounting for an estimated 17.9 million deaths annually. One critical clinical objective is the early detection of CVDs using electrocardiogram (ECG) data, an area that has received significant attention from

cardiovascular diseases electrocardiogram data machine learning deep learning fraud detection

发现论文，激发创造

利用多特征融合和双向 LSTM 实现资源高效心跳分类

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

心血管疾病多标签预测的半监督学习：多数据集研究

提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

Jun, 2023

基于机器学习融合方法的二元和多分类心血管疾病严重性预测

本研究使用机器学习技术构造了三个融合模型，在心脏病数据集上进行训练和预测，其中包括人工神经网络、支持向量机、逻辑回归、决策树、随机森林和 AdaBoost 等六种算法，以预测心血管疾病的出现和严重程度，实验结果表明，这三个融合模型具有良好的分类性能，多类分类的最高准确率为 75%，二类分类的最高准确率为 95%。

Mar, 2022

心血管疾病预测的集成框架

该研究使用基于机器学习算法的集成分类器框架，结合多种性能度量方法，对一个包含多国心血管疾病个体的大型数据集进行研究，获得了 92.34% 的准确率，较现有研究表现更佳。

Jun, 2023

心率预测的时间序列建模：从 ARIMA 到 Transformer

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

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

机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

Mar, 2024

基于多实例学习的心电图风险分层

本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法，该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征，并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险，优于现有的风险因子评估方案。

Dec, 2018

基于心电图的心血管疾病检测的计算高效半监督学习

基于心电图（ECG）进行心血管疾病检测的深度学习系统在自动化领域面临的主要挑战是标记稀缺问题。我们提出了一种高计算效率的半监督学习范式（FastECG），以提供具有强大计算效率和鲁棒性的 ECG 心血管疾病检测方法，并在四个 ECG 数据集上展示了其优于现有方法的性能。

Jun, 2024

基于短时心电图和长时心率变异采样的多模态心力衰竭风险评估

该研究论文提出了多模式方法，结合 30 秒的心电图记录和近似的长期心率变异性数据（HRV）来估计心衰住院风险。实验结果显示，在心衰风险评估方面，所提出的方法具有较高的模型性能，并在多个外部心电图数据集上展示了竞争性的区分力。通过在 Apple Watch 数据上的可迁移性测试，并在 myHeartScore 应用程序中实施该方法，能够提供成本效益高且易于获取的心衰风险评估，有助于心衰的预防和管理。

Mar, 2024