Apr, 2024

EB-GAME：心电图心跳异常检测中的变革者

PDF
TL;DR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。
ecgarrhythmiasdeep learninganomaly detectioneb-game
发现论文，激发创造
  • 心电图异常检测：通过自监督学习推进临床诊断

    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。

    Apr, 2024

  • 基于条件生成对抗网络的心电图对抗样本检测

    本研究采用条件生成对抗网络，同时生成不同类别的 ECG 信号和检测心脏异常情况，且基于类别特定的 ECG 信号合成逼真的对抗例子，相比其他分类模型，在检测正常 / 异常 ECG 信号方面表现出更好的性能。

    Jul, 2021

  • 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

  • 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

  • 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

  • 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

  • 利用地震心电图进行可靠心脏活动监测的端到端深度学习

    该研究提出了一种基于 SeismoNet 的深度卷积神经网络解决方案，旨在从地震心电图信号中稳健地观察心脏活动，并通过直接检测 R 峰而不需要提取手工特征，实现心脏监测以及 Atrial Fibrillation 的预防。

    Oct, 2020

  • 使用 GAN 进行数据增强提高非平衡数据集心律失常分类的性能

    通过生成对抗网络方法，利用 MIT-BIH 心律失常数据库产生新的 ECG 信号，以增加机器学习系统的性能表现。

    Feb, 2023

  • ECGformer：利用 Transformer 进行心电图心跳心律失常分类

    通过使用变压器模型 (ECGformer)，我们发展了一种用于分类心电图数据中各种心律失常的方法，结果表明该方法非常有效。

    Jan, 2024

  • 优化特征提取的高级神经网络架构用于增强多导联心电图心律失常检测

    本研究提出一种创新的方法，利用深度学习技术，特别是卷积神经网络（CNN），来解决心律失常分类的复杂性。通过利用多导联心电图（ECG）数据，我们的 CNN 模型在识别左束支传导阻滞（LBBB）、右束支传导阻滞（RBBB）、房性早搏（APC）、室性早搏（PVC）和正常心跳五种不同类型的心脏跳动方面展现出有希望的结果。我们的方法有望提高心血管心律失常的诊断准确性，为临床决策提供更精确的解决方案，从而改善患者的治疗结果。

    Apr, 2024