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

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

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

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

本文探讨了对电心图 (ECG) 信号进行对比学习和深度学习的应用来诊断心血管疾病的方法。此应用可以在具有较少 ECG 导联的情况下提高诊断性能，并且证明了对比学习在此任务上的潜力。

Apr, 2023

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

深度学习在心电图诊断中的应用受限于现实场景中大规模标记数据集的稀缺，因此使用迁移学习来利用从更大数据集中学到的特征。然而，迁移学习能够始终优于从头开始训练的普遍假设尚未得到系统验证。本研究通过调查不同心电图数据集和深度神经网络的微调性能与从头开始训练的性能的比较，首次进行了关于迁移学习在多标签心电图分类中效果的大规模实证研究，结果显示对于小规模下游数据集，微调是一种较好的选择；然而，当数据集足够大时，从头开始训练也能够取得可比较的性能，尽管需要更长的训练时间来迎头赶上。此外，我们发现迁移学习与卷积神经网络相比较适用于时序心电图应用中最常见的两种结构：卷积神经网络和循环神经网络。我们的结果强调了迁移学习在心电图诊断中的重要性，但根据可用数据量，研究人员可能选择不使用迁移学习，考虑到与预训练相关的不可忽视的成本。

Feb, 2024

本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法，该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征，并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险，优于现有的风险因子评估方案。

Dec, 2018

本研究旨在解决机器学习模型应用于心电图检测室性心律失常的挑战，提出了一种基于元学习和课程学习方法的新型预训练模型以解决组级别差异，并提出改进的预精调方法以解决个体级别差异，实验证明该方法在所有评估指标上优于其他方法。

Feb, 2022

本研究开发了一个新颖的深度学习系统，仅使用三个心电图导联就能准确识别多种心血管异常。

Jul, 2022