关键词mit-bih arrhythmia database
搜索结果 - 5
- 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。
- 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 - ECG 信号分类的双流网络
本文探讨一种基于 ECG 并采用两个流体系结构的神经网络算法，旨在能够高效地自动分类不同类别的心跳信号类型，实验结果表明，该算法在 MIT-BIH 心律失常数据库上的准确率达到了 99.38％，正面诊断准确率达到了 88.07％。
- 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。
- 在压缩感知无线心电监测系统中利用先验知识
本文介绍了利用小波信号的结构来提高压缩和重构心电图信号的性能，旨在降低无线身域网中心电图监测的能耗。实验结果表明，与当前基于 CS 的方法相比，提出的算法在压缩率和重构质量方面具有显著的性能优势，并且使用了 MIT-BIH 心律失常数据库。