基于一维卷积神经网络的心血管疾病风险预警模型，通过填充和标准化 13 个生理指标，将卷积神经网络转化为二维矩阵，并采用一阶卷积操作和最大池化算法进行降维，通过 Adam 算法进行优化。相对于传统方法，该技术的预测精度提高了 11.2%，对数曲线拟合也有显著改善，通过一维卷积神经网络的检验，证实了该新方法的效力和适用性。

Jun, 2024

通过机器学习算法对冠心病风险进行分类，本研究开发了一种数据平衡和增强方法，提高了诊断准确性，对样本数量较少和数据不平衡的情况特别适用。实验结果显示，本方法的平均预测准确率为 95.36%，高于随机森林、决策树、支持向量机、逻辑回归和人工神经网络。

Aug, 2023

我们提出了一个 3D Resnet-50 深度学习模型，通过计算机断层扫描冠状动脉造影图像来直接分类正常人和冠状动脉疾病患者，并使用 Grad-GAM 提供可解释性。此外，我们将 3D 冠状动脉疾病分类与 2D 双类语义分割相结合，以提高可解释性和准确的异常定位。

Jul, 2023

本文使用神经网络、深度神经网络、和模糊 C 均值聚类加深度神经网络的方法诊断冠状动脉疾病，得到 99.91% 的准确度，这一方法可能有助于科研中心。

Feb, 2022

在数字医学时代，医学影像作为一种广泛应用的早期疾病检测技术，在每天产生和储存的电子病历中产生大量的影像。在这篇论文中，我们利用目标检测方法对 X 射线血管造影图像进行分析，精确地确定冠状动脉狭窄的位置，从而实现了对狭窄位置的自动实时检测，帮助医护人员进行重要而敏感的决策过程。

Dec, 2023

使用单导联可穿戴监测器记录的心电图，开发了一种算法，可以检测出广泛类型的心律失常，其表现超过了获得认证的心脏病专家。通过 34 层的卷积神经网络，将心电图样本序列映射到节律类别序列，并将其与 6 位独立心脏病专家的性能进行比较。结果表明，该算法在感知率和阳性预测价值等方面均优于平均心脏病专家。

Jul, 2017

提出了一种基于深度学习的方法用于检测冠状动脉侧支循环 (CCC) 在血管造影图像中的方法，并取得了有希望的结果，可以进一步扩展为基于标志点的 CCC 检测和 CCC 定量化。

Jan, 2024

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

本研究设计了一个卷积神经网络，应用三种防御方法来提高对变长 ECG 信号的分类任务的鲁棒性，并且测试结果表明该 CNN 分类模型在干净数据上的准确率与 CPSC2018 ECG 分类挑战的前 6 项相当，并且改进了其对于对抗和白噪声的鲁棒性

Aug, 2020