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
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。
Jan, 2024
本文提出了一种使用卷积 - 循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据,其中使用穿戴式设备采集的 PPG 数据进行了 AFib 检测,结果表明该架构具有良好的准确性。
Jul, 2018
使用超过 200 万标记心电图的数据训练的深度神经网络模型,比心脏病学住院医生在识别 12 导联心电图上准确率高,F1 分数超过 80%且特异性高于 99%,这表明基于 DNN 的 ECG 分析可推广到 12 导联心电图上,可应用于标准临床实践中。
Apr, 2019
通过神经网络模型识别出心电图中无明显房颤迹象但将来可能发展成房颤的患者,并使用生存模型确定了高风险和低风险患者的发病概率,为房颤风险评估提供了有价值且实用的决策辅助信息。
Sep, 2023
将深度学习应用于大量未标记的心电图遥测数据,对 ICU 中的患者监测进行持续注释,从而提供独特的洞察力,改进护理质量。
Jun, 2024
通过开发一种基于 ECG 信号的深度学习算法,可以提高预测术后死亡风险的准确性,其鉴别能力优于修正心脏风险指数评分,患者风险等级可以帮助区分手术前死亡风险。该算法在多个手术类型的患者和两个独立医疗系统的患者中都有较好的表现。
Apr, 2022
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
该研究展示了一种单一模型在急诊科收集到的心电图数据上具备预测多种心脏和非心脏病症的能力,并提出将该模型作为筛查工具并纳入综合临床决策支持系统来高效地对患者进行分诊。研究强调了全面的心电图分析算法和开放式 MIMIC-IV-ECG 数据集的卓越性能,推动了心电图分析领域的重大进展。
基于深度学习算法的 ArNet2 模型,跨不同族裔、年龄和性别,成功检测房颤事件,性能超过同类模型,且表现差异可能与房扑患病率有关。
Jul, 2022