Dec, 2023

基于神经模糊系统的无创血钾测量研究

PDF
TL;DR缺钾症的非侵入性仪器设计和检测方法研究，基于心电图的钾测量系统，包括心电图特征提取和选择以及基于 FCM-ANFIS 模型的检测，可降低心脏事件发生率。
potassium disordersecg-based potassium measurementfeature extraction & selectionfcm-anfis modelnoninvasive instruments
发现论文，激发创造
  • 基于注意力机制的深度状态空间建模的连续房颤检测中 PPG 到 ECG 信号转换

    我们提出了一种基于注意力机制的深度状态空间模型，将光电脉搏图信号转化为相应的心电图波形，从而通过连续的光电脉搏图监测来补充心电图的准确性以检测成人中最常见的心律失常，房颤。在 MIMIC III 数据库的 55 个受试者上对该模型进行了评估，定量和定性的实验结果证明了我们方法的有效性和效率。

    Sep, 2023

  • 心电图异常检测：通过自监督学习推进临床诊断

    通过利用正常心电图数据集进行自我监督的异常检测，该研究提出了一种新的心电图异常检测方法，结合遮蔽和恢复技术以及多尺度交叉注意模块，实现了对心脏异常的精确检测和定位，从而显著提高了现有模型的性能。

    Apr, 2024

  • 通过心脏核磁共振的知识转移解锁心电图的诊断潜力

    提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

    Aug, 2023

  • 基于心电图的浦肯野网络的概率学习

    从非侵入性临床数据中，利用概率方法识别浦肯野网络，以构建精确的心脏数字孪生模型，为精准心脏学提供可靠预测和不确定性参数估计。

    Dec, 2023

  • 基于小波的自适应技术识别和提取随机拉伸心电序列中的 PQRST 组合

    本文介绍了一种使用自适应小波检测 ECG 显着 R 峰的自动化方法，标记 P、Q、S 和 T 波峰并减少错误检测的方案。

    Aug, 2014

  • EKGNet：一种 10.96μW 完全模拟神经网络用于患者内心律失常分类

    我们提出了一种整合模拟计算和深度学习的方法用于心电图（ECG）心律失常分类。我们提出了 EKGNet，一种硬件高效且完全模拟的心律失常分类架构，其在低功耗下实现了高准确性。该架构利用亚阈值区操作的晶体管的能量效率，消除了模数转换器（ADC）和静态随机存取内存（SRAM）的需求。系统设计包括一种新颖的模拟顺序乘积累加（MAC）电路，可以减轻过程、供电电压和温度的变化。对 PhysioNet 的 MIT-BIH 和 PTB 诊断数据集的实验评估表明，该方法的有效性，分别实现了 95% 和 94.25% 的平均平衡准确性，用于患者内心律失常分类和心肌梗死（MI）分类。这种创新的方法为开发低功耗心律失常分类系统在生物医学应用中提供了一个有前景的途径。

    Oct, 2023

  • 基于波形的 ANN-LSTM 网络利用心电图和光电脉搏图估计无腕带血压

    研究提出一种以波形为基础的分层人工神经网络 - 长短期记忆模型用于血压估计，模型自动提取应用典型的 PPG 和 ECG 波形的形态特征并考虑其时间域变化，使血压可在一种非侵入性的连续方式下的可靠估计，预计将极大地促进移动健康护理设备的发展。

    Nov, 2018

  • 基于 K 边界残差卷积循环神经网络的房颤检测

    本文提出使用基于 K-margin 的残差卷积循环神经网络 (K-margin-based RCR-net) 通过动态数据增强和处理数据不足，训练出在处理噪声心电图 (ECGs) 时表现优秀的识别房颤的神经网络，并取得了 0.8125 的 F1NAOP 得分，比其他最先进的深度学习方法的表现高出 6.8%。

    Aug, 2019

  • 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

  • ECG 分类中的拓扑特征提取图神经网络

    本研究通过使用深度图神经网络提出了三种区分心电图信号的技术，通过从心电图信号中提取拓扑特征并使用图同构网络来对心电图进行分类，三种技术在 PTB 诊断数据集上分别取得了 99.38％、98.76％和 91.93％的心律失常分类准确率。

    Nov, 2023