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

我们提出了一种整合模拟计算和深度学习的方法用于心电图（ECG）心律失常分类。我们提出了 EKGNet，一种硬件高效且完全模拟的心律失常分类架构，其在低功耗下实现了高准确性。该架构利用亚阈值区操作的晶体管的能量效率，消除了模数转换器（ADC）和静态随机存取内存（SRAM）的需求。系统设计包括一种新颖的模拟顺序乘积累加（MAC）电路，可以减轻过程、供电电压和温度的变化。对 PhysioNet 的 MIT-BIH 和 PTB 诊断数据集的实验评估表明，该方法的有效性，分别实现了 95% 和 94.25% 的平均平衡准确性，用于患者内心律失常分类和心肌梗死（MI）分类。这种创新的方法为开发低功耗心律失常分类系统在生物医学应用中提供了一个有前景的途径。

Oct, 2023

本文提出了一种基于物联网技术的新型心电监测方法，使用基于 DSR 和 REL 的路由系统，并测试了基于 ANN、SVM 和 CNN 的 ECG 信号分类方法。Deep-ECG 将采用深度 CNN 来提取重要特征，并使用简单且快速的距离函数进行分类，从而高效识别心脏问题。研究结果表明，所提出的策略在分类准确性方面优于其他方法。

Feb, 2022

通过使用一种基于多视角心脏超声图像的一类分类算法，本研究介绍了一种新的早期心肌梗死检测方法，有效地将来自心脏超声图像数据中提取的特征转换为优化的低维度子空间，显著提高了心肌梗死检测的准确性。

Feb, 2024

本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号，从而提高治疗效果及减少人工标注带来的时间和误差。

Jun, 2022

本研究提出了一种名为自注意力融合网络（SAF-Net）的新型视图融合模型，用于从多视角超声心动图记录中检测心肌梗死（MI）。SAF-Net 模型利用自注意机制学习提取的特征向量中的依赖关系，采用紧凑的架构，包括特征嵌入以降低维度，自注意机制进行视图池化，以及用于分类的稠密层。基于 HMC-QU-TAU 数据集的实验评估表明，所提出的 SAF-Net 模型在精确度、敏感度和准确度上均达到了较高的水平，最准确地检测出了多视角超声心动图记录中的 MI。

Sep, 2023

本论文提出了一种多分辨率相互学习网络（MRM-Net），通过双重分辨率注意力架构和特征互补机制处理心电图（ECG）信号，以提高多标签 ECG 分类性能。

Jun, 2024

本文介绍了两种针对心电图记录的深度神经网络架构，并通过 Physionet / CinC Challenge 2017 提供的房颤分类数据集对它们进行了评估。我们引入了 ECG 数据的简单数据增强方案，并证明了其在房颤分类任务中的有效性。我们发现，第二种架构优于第一种，在隐藏挑战测试集上获得了 82.1％的 F1 分数。

Oct, 2017

冠状动脉疾病诊断的一维卷积神经网络（1D-CNN）通过提高检测准确性和减少网络复杂性的潜力来解决早期诊断对人类死亡率的重要影响问题。通过解释心电图（ECG）信号中复杂模式的能力，无需依赖特征提取技术，这项研究超越了传统诊断方法。我们研究了样本长度对模型性能的影响，并进行了相关实验，包括降低网络层数。使用的 ECG 数据来自 PhysioNet 数据库，分别是 MIMIC III 和 Fantasia 数据集，采样频率分别为 125 Hz 和 250 Hz。在样本长度为 250 时，获得了对未知数据最高的准确性。这些初步发现展示了使用 ECG 信号进行冠状动脉疾病诊断的 1D-CNN 的潜力，并强调了样本大小在实现高准确性方面的作用。

May, 2024

本文提出了使用级联卷积神经网络从心脏 MRI 图像中，自动分割心肌梗死相关区域的方法，并在 MICCAI 2020 EMIDEC 数据集上，取得优异的分割表现。

Dec, 2020