Apr, 2024

基于信号质量感知的 DNN 架构，用于从嘈杂的 PPG 信号中提高心房颤动检测的准确度

PDF
TL;DR提出了一种新颖的深度学习模型 Signal Quality Weighted Fusion of Attentional Convolution and Recurrent Neural Network (SQUWA)，通过使用注意机制动态调整时间序列片段的权重，实现对部分有损坏的 PPG 信号的准确预测，从而改善对 AF 风险的监测和对 AF 负荷的更准确估计。实验证明，SQUWA 在减轻标签噪声的情况下达到了最高的 AUCPR 值 0.89，超过了同时使用心电图（ECG）和 PPG 数据训练的模型的 0.86 AUCPR 值。
atrial fibrillationphotoplethysmographymotion artifactsdeep learning modelcontinuous af monitoring
发现论文，激发创造
  • SiamAF：通过心电图和脉搏图信号学习共享信息以实现稳健的房颤检测

    通过提出新的 SiamAF 方法，该方法使用新颖的孪生网络结构和联合学习损失函数，能够从 PPG 和 ECG 信号中学习共享信息，并在预测房颤方面胜过基线方法，且较传统学习方法需要更少的训练标签。

    Oct, 2023

  • 利用可穿戴设备进行原始传感器数据端到端深度学习的心房颤动检测

    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

  • 基于注意力机制的深度状态空间建模的连续房颤检测中 PPG 到 ECG 信号转换

    我们提出了一种基于注意力机制的深度状态空间模型，将光电脉搏图信号转化为相应的心电图波形，从而通过连续的光电脉搏图监测来补充心电图的准确性以检测成人中最常见的心律失常，房颤。在 MIMIC III 数据库的 55 个受试者上对该模型进行了评估，定量和定性的实验结果证明了我们方法的有效性和效率。

    Sep, 2023

  • 基于对比自监督学习的患者相似性方法：以 PPG 信号为例的房颤检测研究

    我们提出一种基于对比学习的深度学习框架，用于使用生理信号进行患者相似性搜索。我们使用对比学习的方法来学习具有相似生理信号数据的患者的相似嵌入。我们还引入了一些邻居选择算法来确定具有最高相似性的患者。为了验证我们的框架对于衡量患者相似性的有效性，我们选择使用智能手表设备获取的光电容积脉搏图（PPG）信号来检测心房颤动（AF）作为我们的案例研究。我们对超过 170 人的数据集对我们的框架进行了大量实验证明，并将我们的框架与该数据集上的其他基线方法进行了比较。

    Jul, 2023

  • ECGNET: 深度视觉注意力学习在房颤检测中的应用

    本文通过引入双通道深度神经网络，分析 ECG 信号在检测房颤过程中的重要部位，从而更准确地检测心房颤动，并提高性能。

    Dec, 2018

  • 基于注意力机制的双向循环神经网络检测阵发性心房颤动

    提出了一种基于深度学习的注意力框架，用于从窗口序列中检测阵发性房颤，并证明了该方法在长期监测方面应用潜力巨大。

    May, 2018

  • 基于可见性图和迁移学习的无幅机器学习 PPG 信号处理

    本研究介绍了一种基于图论和计算机视觉算法的 PPG 信号处理框架，它对仿射变换具有不变性，计算速度快，并在任务和数据集之间表现出强大的泛化能力，能够提取人体循环系统的各种生物特征。

    May, 2023

  • Q-PPG: 可穿戴设备上基于 PPG 的节能心率监测

    通过 deep Temporal Convolutional Networks 工具和硬件友好型量化器，我们提出了一种设计空间探索方法，用于自动生成一组适用于可穿戴设备的高精度、极轻量级的计算模型，以便实现心率监测。

    Mar, 2022

  • PPG2ABP：使用完全卷积神经网络将光电波图（PPG）信号转换为动脉血压 (ABP) 波形

    通过使用无创的 PPG 信号，结合深度学习技术，本文提出了一种预测连续动脉血压波形的方法 PPG2ABP，该方法在形态、幅度和相位上都有很好的预测效果，并且在 DBP、MAP 和 SBP 等参数的计算上表现出色。

    May, 2020

  • 基于 K 边界残差卷积循环神经网络的房颤检测

    本文提出使用基于 K-margin 的残差卷积循环神经网络 (K-margin-based RCR-net) 通过动态数据增强和处理数据不足，训练出在处理噪声心电图 (ECGs) 时表现优秀的识别房颤的神经网络，并取得了 0.8125 的 F1NAOP 得分，比其他最先进的深度学习方法的表现高出 6.8%。

    Aug, 2019