Mar, 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

PDF
TL;DR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。
发现论文，激发创造
  • 大型语言模型引导的心电图双注意力网络用于心力衰竭风险预测

    用于心力衰竭风险预测的 ECG 网络模型基于 12 导联心电图数据，通过大型语言模型的预训练提高预测能力和透明度，为早期心力衰竭诊断和预防提供潜在的改进。

    Mar, 2024

  • 利用多任务门控循环单元从电子医疗记录预测心血管疾病的发病

    本研究提出了一种基于多任务循环神经网络和注意机制的方法，用于预测心血管事件。与标准的临床风险评估模型相比，该模型在预测中风和心肌梗死方面具有更好的性能，并且在短期内的预测效果可以通过使用多任务学习得到提升。同时，该研究还探讨了个体特征和注意力权重对于预测心血管事件的重要性，并证明了机器学习技术可以被应用于二级保健。

    Jul, 2020

  • 一种紧凑的 LSTM-SVM 融合模型用于长期心血管疾病检测

    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。

    Nov, 2023

  • 深度神经心率变异性分析

    用心跳间隔基础分类及深度学习模型，可以在只利用 60 秒心跳间隔的条件下显着地优于基于传统心率变异性预测模型，此模型基于稳定易感人群和紧急科室急性心肌梗死症状患者的 474 名患者的 ECGs，以及 1172 个患者。

    Dec, 2016

  • 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

  • 基于心电图的压力检测模型的普适性

    本研究探讨了基于心电图 (ECG) 的深度学习模型和基于手工特征 HRV 的应力识别模型对应力数据的概括能力，并发现 HRV 模型在不同数据集上的表现显著优于深度学习模型。

    Oct, 2022

  • 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

  • 基于佩戴式心电监测系统、ECG 有损压缩方案和基于 ResNet 的房颤检测器的个性化心脏人群医疗研究

    本研究设计了一个个性化健康诊断系统，包括一个可穿戴式心电图设备、移动应用程序和后端服务器，可以对用户的心电信息进行持续监测，以提供个性化的健康警告 / 反馈，通过远程诊断和干预等方式支持与健康顾问的沟通。在此系统中，提出了一种利用心电信号准周期特征的有损信号压缩方法，设计并训练了一个基于 ResNet 的 AF 诊断器，该诊断器在测试中取得了较好的效果，F1 得分最高可达 87.31%。

    Jul, 2022

  • 使用信号处理和机器学习的有效直接心率变异推断

    该研究使用心率变异性指标以及光电容积描记传感器技术，综合信号处理和机器学习技术来准确推断心率变异性，能在少于 1ms 的推断时间内保证 13.0% 至 9.1% 的误差，使其更适用于小型嵌入式设备和未来的医疗保健监测应用中。

    Mar, 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