多分辨率互学习网络用于多标签心电图分类
利用多特征融合和双向长短期记忆（Bi-LSTM）的资源高效方法对心电图（ECG）进行心跳分类，通过采用时间间隔和曲线下面积作为特征，改善 RBBB 和 LBBB 类别的分类准确率。
May, 2024
提出了一种低参数模型 LRH-Net，其使用多级知识蒸馏过程训练成多种心电图（ECG）异常，并在压缩输入的 PhysioNet-2020 数据集上进行了评估。该模型的参数是用于检测 CVD 的教师模型的 106 倍以下，能够缩小 75％ 的推论时间。
Apr, 2022
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
提出了一种基于多模型 Transformer 的深度学习架构，通过整合临床记录，实现了对心血管疾病的多类别检测，并为实现临床和急诊环境下的实时患者状态监测奠定了基础。
Feb, 2023
通过名为 ECG-SMART-NET 的模型，成功地改进了心电图中心力血流障碍性心肌梗死的检测，超越了其他模型的性能，取得了测试 AUC 分数为 0.889+/-0.027 和测试平均精确度分数为 0.587+/-0.087。
May, 2024
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
本研究提出了一种多模态深度学习框架，利用先进的图像技术来改善临床分析性能，该框架首次利用位移编码和激发回波（DENSE）获得的心肌应变的准确性和重复性，来引导晚期机械活化检测中电影心磁共振（CMR）成像的分析。实验证明，我们提出的方法显著改善了电影 CMR 图像的应变分析和晚期机械活化检测的性能，更接近于 DENSE 的成果。
Feb, 2024
提出了一种适用于资源受限的计算硬件的全卷积网络 ESDMR-Net，它专注于提取多尺度特征，通过扩展和压缩操作实现对分割任务所需信息的学习，并在跳跃连接中集成了双多尺度残差块，以增强多分辨率或尺度之间的信息流动。该模型在七个数据集上进行实验证明，尽管可训练参数显著减少了两到三个数量级，但取得了最佳结果。
Dec, 2023
该论文提出了一种新的多尺度交叉修复框架来检测和定位心电图异常，通过考虑本地和全局心电图特征利用异常检测和自动编码器，在大量个体上实现了最先进的性能，并提出了一个具有点级标注的挑战性基准数据集。
Aug, 2023