arrhythmia classification | BriefGPT

关键词arrhythmia classification

搜索结果 - 10

利用可见性图和图卷积网络增强心律失常分类
利用可见性图（VG）和矢量可见性图（VVG）辅以图卷积网络（GCNs），本研究探索了将心电图信号表示为图的方法，并在心律失常分类方面取得了良好的结果。
PDF2 months ago
ICLR引导屏蔽表示学习捕捉心电图的时空关系
基于自监督学习的 ST-MEM 技术通过重建屏蔽的 12 导联心电数据，学习了心电图的时空特征，并在不同实验设置下优于其他自监督学习基准方法，用于心律失常分类任务。
PDF5 months ago
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。
PDF7 months ago
ECG 分类中的拓扑特征提取图神经网络
本研究通过使用深度图神经网络提出了三种区分心电图信号的技术，通过从心电图信号中提取拓扑特征并使用图同构网络来对心电图进行分类，三种技术在 PTB 诊断数据集上分别取得了 99.38％、98.76％和 91.93％的心律失常分类准确率。
PDF8 months ago
EKGNet：一种 10.96μW 完全模拟神经网络用于患者内心律失常分类
我们提出了一种整合模拟计算和深度学习的方法用于心电图（ECG）心律失常分类。我们提出了 EKGNet，一种硬件高效且完全模拟的心律失常分类架构，其在低功耗下实现了高准确性。该架构利用亚阈值区操作的晶体管的能量效率，消除了模数转换器（ADC）
PDF8 months ago
使用掩蔽型自编码器进行心电图分析的无监督预训练
基于掩蔽自动编码器（MAE）的无监督预训练技术及心电图 (ECG) 分析的完整架构，用于利用未标记数据的任务特定微调，对于心电图心律失常分类任务，所提出的方法在 MITDB 数据集上取得了 94.39% 的准确率，相较于全监督方法，在分类以
PDF9 months ago
多类多标记心律失常的局部 - 全局时间融合网络与注意力机制
提出了一种利用临床决策支持系统来检测和分类心律失常的框架，通过提取局部时空信息、全局模式提取以及局部 - 全局信息融合来进行心律失常检测和分类，同时在 MIT-BIH 心律失常数据库上得到了优于对比模型的结果。
PDFa year ago
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
PDFa year ago
基于 GAN 的 ECG 合成中利用统计形状先验
本文提出一种基于生成式对抗网络（GANs）和统计的心电图（ECG）数据建模的新方法，以在 ECG 信号生成任务中利用先前对 ECG 信号动态特性的理解，在 MIT-BIH 心律失常数据库中进行实验验证，结果表明以 2-D 格式建模 ECG
PDF2 years ago
基于序列到序列深度学习的心电图心跳分类技术实现心律失常检测
使用深度卷积神经网络和序列到序列模型，提出了一种自动心跳分类方法来解决心律失常分类中出现的问题，并在 MIT-BIH 心律失常数据库上进行了评估、分析和测试，结果显示该方法在文献中具有最佳性能。
PDF6 years ago