ECG 复杂划分的自学模型

Jun, 2024

Self-Trained Model for ECG Complex Delineation

Aram Avetisyan, Nikolas Khachaturov, Ariana Asatryan, Shahane Tigranyan, Yury Markin

TL;DR本文介绍了一种针对心电图（ECG）划分的新方法，通过伪标记未标记的数据并使用我们的数据集进行训练，从而改善 ECG 划分的预测质量，揭示了该数据集对训练稳健模型的价值。

Abstract

Electrocardiogram (ECG) delineation plays a crucial role in assisting cardiologists with accurate diagnoses. Prior research studies have explored various methods, including the application of deep learning techniques, to achieve precise delineation. However, existing approaches face li

electrocardiogram (ecg) delineation deep learning techniques dataset self-trained method prediction quality

发现论文，激发创造

心律失常分类引导的心电图分割模型

本研究提出了一种基于深度学习模型来精确勾画具有不同心律失常类型信号的新方法，使用了一种混合损失函数的分割模型用于心律失常分类，实验结果表明该模型与先前的勾画算法在 Lobachevsky University Database (LUDB) 上表现竞争力。

Apr, 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

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

深度神经网络对 12 导心电图分类的泛化和微调

通过大规模私有数据集和相对较小的公开数据集，我们提出了通过训练多样化的神经网络并在特定数据集上进行微调，从而提高心脏病预测质量的方法，并展示了如何利用深度神经网络的泛化能力来优化更多疾病的分类质量。

May, 2023

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

基于自监督学习的基于心电图的情感识别

使用自我监督学习的心电图基于情感识别系统在分类唤醒度和价值评分方面表现出色，并且使用未标记的数据帮助该模型学习心电图特征流形。

Oct, 2019

心血管疾病多标签预测的半监督学习：多数据集研究

提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

Jun, 2023

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

自监督的心电图表征学习用于情感识别

本研究通过自监督深度多任务学习框架，利用信号变换识别网络学习心电图 (ECG) 表示，进而进行基于 ECG 的情感识别，结果显示该方案在情感分类领域取得显著表现，并针对自监督的多任务结构与预训练任务难度的影响进行了深入研究。

Feb, 2020

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