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

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

本研究针对心肌梗死的早期检测问题进行了深入探讨，强调了可穿戴设备在实时监测和早期诊断中的潜力。通过对传统方法与最新技术的比较，揭示了机器学习、深度学习及硬件创新在心肌梗死检测中的优势和未来前景，为下一代可穿戴医疗解决方案开辟了新路径。

Nov, 2024

本研究解决了高精度分类心律失常电心图信号的问题，采用优化的双向长短期记忆（Bi-LSTM）模型和高级卷积神经网络（CNN）系统进行信号分类。研究发现，通过严格的交叉验证，CNN模型在分类五种不同类型的ECG信号方面表现出色，显示了基于AI的ECG分类器在远程健康监测和预测医疗等领域的广泛应用潜力。

Dec, 2024

本研究解决了心电图信号分类中准确性不足的问题，提出了一种基于深度学习的卷积神经网络（CNN）模型，能够提高对不同类型心律失常信号的分类精度。研究发现该模型在五种ECG信号分类的准确性和精准度上表现出色，展现了在远程健康监测和辅助诊断工具中的潜在应用价值。

Dec, 2024