应用深度学习技术对心脏听诊进行自动化分类，结合卷积神经网络和时间频率热图表示，通过改进的损失函数，在2016年PhysioNet Computing in Cardiology 挑战中取得了最佳结果。

Jul, 2017

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

本文提出了一种新的方法，使用深度神经网络并行结合循环神经网络（RNN）和卷积神经网络（CNN）学习心音PCG波形中的杂音的视觉和时间相关特征，并通过一系列声学特征鉴别正常和杂音类别。该方法经过5折交叉验证在大型数据集上进行评估，结果显示出96％的敏感性和100％的特异性，以及98％的F1得分。

Aug, 2018

本文提出了一种采用注意力机制的新型深度学习双流网络，使用原始心音信号和MFCC特征检测病人心脏状况的异常，并获得了87.11的准确率、82.41的灵敏度、91.8的特异度和87.12的MACC。

Nov, 2022

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

心脏先天性疾病中的缺陷导致的先天畸形称为先天性心脏病或CHDs。本研究通过使用最小信号持续时间来自动分类心音，并调查了最佳信号质量评估指标（RMSSD和ZCR）的价值。建立了基于Mel频率倒谱系数（MFCCs）的特征的基于Transformer-Based残差一维卷积神经网络，用于对心音进行分类。研究表明，0.4是获得适合RMSSD和ZCR指标的信号的理想阈值，对于有效的心音分类，需要最小5s的信号长度。较短的信号（3s的心音）不具有足够的信息来准确分类心音，而较长的信号（15s的心音）可能含有更多噪音。通过对5s信号进行区分心音，获得了最佳准确率93.69%。

Mar, 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

使用传统和深度可分离卷积网络开发了一种新型的端对端实时心脏杂音检测方法，通过连续小波变换从心音图数据中提取有意义的特征，并在有限资源下实现了实时准确的心脏杂音检测。

May, 2024

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

本文提出了一种新颖的方法，利用心音图信号对心音进行分割和分类，并通过基于FFT的滤波、动态规划事件检测和Siamese网络的鲁棒分类，相比现有方法在PASCAL心音数据集上表现出较高性能。

Jun, 2024