ECGformer:利用 Transformer 进行心电图心跳心律失常分类
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
本文阐述了 Transformer 结构在心电图分类任务中的应用,总结了最新的 Transformer 模型并探讨了其应用中的挑战和未来的改进方向,为研究人员和从业者提供了宝贵的资源,旨在为心电图识别中的创新应用提供建议。
Jun, 2023
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
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
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。
Dec, 2023
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
通过只使用 6k 个参数的微型 Transformer 模型,本文在 MIT-BIH 心律失常数据库上达到了 98.97%的识别准确率,并通过在低功耗微控制器设备上进行高效执行的 8 位整数推理,证明了其适用于可穿戴监测解决方案。
Feb, 2024
发展了一种基于远程患者监测的穿戴式单导联心电图(ECG)设备的视觉变换方法,可以识别房颤并鉴别正常窦律和窦性心动过缓。
Feb, 2024
本研究呈现了我们在建立、训练和提供心脏疾病检测的深度学习云服务 CardioLearn 上的工作,该服务可提供公共服务方案,解决了传统 ECG 疾病检测模型存在的诊断率误差高的限制,我们也设计了一个便携式智能硬件设备及与之交互的移动程序,可以随时随地检测潜在的心脏疾病。
Jul, 2020
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