利用多特征融合和双向 LSTM 实现资源高效心跳分类
利用带有注释的 12,186 个单引导 ECG 记录数据集,我们构建了一种多样化的循环神经网络 (RNNs) 集成,以区分正常窦性心律、房颤、其他类型的心律失常和信号过于嘈杂难以解释。通过注意力机制,使我们的模型具有高度可解释性,并在看不见的测试集(n = 3,658)上实现了 0.79 的平均 F1 得分,同时也达到了最先进的分类性能。
Oct, 2017
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
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
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
本文探讨一种基于 ECG 并采用两个流体系结构的神经网络算法,旨在能够高效地自动分类不同类别的心跳信号类型,实验结果表明,该算法在 MIT-BIH 心律失常数据库上的准确率达到了 99.38%,正面诊断准确率达到了 88.07%。
Oct, 2022
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
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
使用深度卷积神经网络和序列到序列模型,提出了一种自动心跳分类方法来解决心律失常分类中出现的问题,并在 MIT-BIH 心律失常数据库上进行了评估、分析和测试,结果显示该方法在文献中具有最佳性能。
Dec, 2018
本研究提出了一种超轻量的二进制神经网络(BNN),该网络基于心电图信号能够实现 5 类和 17 类心律失常的分类,其实现了最小的已知存储空间,并在 17 类分类中实现了最优的准确性,证明了深度学习在医疗保健行业,特别是在可穿戴医疗设备中的潜力。
Apr, 2023
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