Jan, 2024

使用增强学习在全局波形变化上推进心电图诊断 —— 与 P 波和 PR 间期相关

PDF
TL;DR应用 Q 学习强化算法研究在多个可用的 PhysioNet/Computing in Cardiology Challenge (CinC) 数据集上，通过识别 P 波和测量 PR 间期的变化，对心电图（ECG）进行可靠的诊断，Q-Agent 对包含 71,672 个样本的 8,867 名患者进行分类，平均准确率为 90.4%，平均误分类的汉明损失仅为 9.6%，100 个周期的平均分类时间为 0.04 秒，平均训练奖励为 344.05。
发现论文，激发创造
  • 心律失常分类引导的心电图分割模型

    本研究提出了一种基于深度学习模型来精确勾画具有不同心律失常类型信号的新方法，使用了一种混合损失函数的分割模型用于心律失常分类，实验结果表明该模型与先前的勾画算法在 Lobachevsky University Database (LUDB) 上表现竞争力。

    Apr, 2023

  • 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

  • 使用深度学习从单导联心电图中检测 QT 间期延长

    利用深度学习模型从心电图导联 - I 中推断 QT 间期，并用于检测 Dofetilide 药物给药期间的临床意义 QT 延长发作。

    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

  • RawECGNet：原始心电图的房颤检测的深度学习通用性

    使用深度学习模型 RawECGNet，通过节律和形态学信息，高效、可泛化地检测房颤和心房扑动的发作。

    Dec, 2023

  • 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

  • ECG-SL：心电图 (ECG) 片段学习，一种用于 ECG 信号的深度学习方法

    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

  • 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-CL: 一种基于持续学习的全面心电图解释方法

    提出了一个多分辨率模型，利用局部形态信息和全局节奏信息，通过开发低分辨率高级语义信息，持续维持高分辨率低级语义信息，从而成功地从 ECG 细分中提取信息丰富的形态和节律特征，从智能可穿戴应用的角度，也确认基于单导联 ECG 的全面 ECG 解释算法的可能性。

    Apr, 2023

  • 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