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

本研究提出了一种基于深度卷积神经网络的心跳分类方法，能够根据AAMI EC57标准准确分类五种不同的心律失常，并且将所学知识迁移到急性心肌梗死分类任务中，通过在PhysionNet的MIT-BIH和PTB诊断数据集上的实验证明，该方法在心律失常和急性心肌梗死分类中的平均准确率分别为93.4％和95.9％。

Apr, 2018

本文针对 2010 年至2020 年间应用深度学习模型于心电图(ECG)数据的文献进行系统性总结，发现各种深度学习体系结构已被用于心电图分析任务，包括疾病检测/分类、标注/定位、睡眠分期、生物度量人类识别和去噪等，其中融合卷积神经网络和循环神经网络专家特征的混合体系结构表现最佳。同时，也指出了存在的挑战和问题，诸如可解释性、可扩展性和效率等方面，提出了未来可能的研究方向。

Dec, 2019

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

本文提出了一种基于物联网技术的新型心电监测方法，使用基于DSR和REL的路由系统，并测试了基于ANN、SVM和CNN的ECG信号分类方法。Deep-ECG将采用深度CNN来提取重要特征，并使用简单且快速的距离函数进行分类，从而高效识别心脏问题。研究结果表明，所提出的策略在分类准确性方面优于其他方法。

Feb, 2022

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

使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究进行比较，结果显示该框架具有显著的分类结果。

Oct, 2023

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

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

冠状动脉疾病诊断的一维卷积神经网络（1D-CNN）通过提高检测准确性和减少网络复杂性的潜力来解决早期诊断对人类死亡率的重要影响问题。通过解释心电图（ECG）信号中复杂模式的能力，无需依赖特征提取技术，这项研究超越了传统诊断方法。我们研究了样本长度对模型性能的影响，并进行了相关实验，包括降低网络层数。使用的ECG数据来自PhysioNet数据库，分别是MIMIC III和Fantasia数据集，采样频率分别为125 Hz和250 Hz。在样本长度为250时，获得了对未知数据最高的准确性。这些初步发现展示了使用ECG信号进行冠状动脉疾病诊断的1D-CNN的潜力，并强调了样本大小在实现高准确性方面的作用。

May, 2024