Dec, 2024

基于心电图（ECG）的心脏心律失常检测与分类的机器学习算法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 卷积神经网络实现心电信号的心律失常医生级别检测

    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

  • ECG心跳分类:深度可迁移表示

    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

  • 深度学习方法在心电图数据中的机遇与挑战：一项系统综述

    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

  • 基于增强卷积神经网络的物联网心电图信号有效分类

    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

  • 基于心电数据的可解释机器学习模型用于心律失常检测的开发

    研究拟建立基于卷积神经网络（CNN）和长短期记忆（LSTM）分类器的解释性模型，探讨机器学习算法做出决策的模式，提高对心电图信号（ECG）节律分类的准确度。

    May, 2022

  • 基于超轻量级二值神经网络的心律失常分类器

    本研究提出了一种超轻量的二进制神经网络（BNN），该网络基于心电图信号能够实现5类和17类心律失常的分类，其实现了最小的已知存储空间，并在17类分类中实现了最优的准确性，证明了深度学习在医疗保健行业，特别是在可穿戴医疗设备中的潜力。

    Apr, 2023

  • 利用心电图信号的堆叠时频标图图像进行心律失常分类的深度学习模型

    本文提出了一种基于人工智能的自动化心电图分类系统，利用深度学习和卷积神经网络模型对心电图信号进行分析和识别以实现准确的心律失常分类。

    Dec, 2023

  • 优化特征提取的高级神经网络架构用于增强多导联心电图心律失常检测

    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

  • 利用多特征融合和双向LSTM实现资源高效心跳分类

    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

  • 基于电心图（ECG）的心律失常检测与分类的机器学习算法

    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