Apr, 2024

心电图异常检测：通过自监督学习推进临床诊断

PDF
TL;DR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。
发现论文，激发创造
  • 多尺度电囊异常检测的交叉恢复框架

    该论文提出了一种新的多尺度交叉修复框架来检测和定位心电图异常，通过考虑本地和全局心电图特征利用异常检测和自动编码器，在大量个体上实现了最先进的性能，并提出了一个具有点级标注的挑战性基准数据集。

    Aug, 2023

  • EB-GAME：心电图心跳异常检测中的变革者

    该研究使用深度学习基于生成对抗网络的异常检测模型（EB-GAME）在心电图中仅使用正常信号标签的训练数据进行异常信号检测，并在 MIT-BIH 心律失常数据集上取得了最先进的性能表现。

    Apr, 2024

  • CardioLearn：基于云的心电图心脏疾病深度学习服务

    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

  • 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

  • 用弱监督技术实现心电图数据的经济建模

    利用多个弱监督源学习诊断异常心跳的诊断模型，不需要在单个数据点上使用真实标签，并使用估算标签训练竞争分类器。

    Jan, 2022

  • 使用心电图图像进行心脏异常检测和筛查的人工智能系统

    本研究设计了一个 AI 系统，能够在 real-world ECG 图像中检测和筛选心脏异常。该系统的表现优于心脏病学家，在心脏异常筛查方面表现最好。该系统具有准确性，客观性，易于使用，快速，低成本等特点，适用于医护人员、护理者和普通用户评估基于 real-world ECG 图像的 CAs。

    Feb, 2023

  • 使用深度神经网络进行 12 导联心电图的自动诊断

    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

  • 释放遥测潜力：用于连续临床心电图监测的自监督学习

    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

  • 使用手工规则增强的神经网络识别心电图异常

    通过将临床规则引入卷积神经网络以提高自动心电图诊断性能，该论文提出了一种称为 HRNN 的手工规则增强神经网络，并在两个大型公共心电图数据集上进行了实验。

    Jun, 2022

  • 电心卫士：通过神经网络在心电图数据库中预防患者误识别

    本研究旨在解决电信号记录错误的问题，通过提出一种小型且高效的基于神经网络的模型用于确定两个心电监护图是否来自同一患者，其在不到平均参数数量 760 倍的情况下表现出极好的推理能力，并将其在新收集的心电图数据集上进行了评估，并向研究社区公开发布。

    Jun, 2023