Improved VMD Based Remote Heartbeat Estimation Utilizing 60GHz mmWave Radar
针对毫米波雷达非接触心跳估计，本文提出结合NRBO自适应优化VMD参数的信号分解方法，并在18名受试者上验证其优于三种基线。
2025-02-16 eess.SP
Radar-Based Noncontact Measurement of Heartbeat of Humans and Chimpanzees Using Millimeter-Wave Radar with Topology Method
本研究提出一种确定拓扑方法滤波器参数的毫米波雷达心跳测量方法，可在保留心跳高次谐波的同时消除呼吸成分，对人和黑猩猩的心跳间期测量最小误差分别达4.43ms和2.55ms，为跨物种非接触生理监测提供可能。
2023-07-19 eess.SP
Detecting $\sim$10 mK Face Temperature Change Based on Lock-in Thermography Referencing Heartbeat
本研究提出以心跳信号为参考的锁相热成像方法，使用商用热像仪稳定检测面部低至约10 mK的微小温度变化，为非接触式情绪估计提供了新途径。
2025-07-12 eess.SP
Personalized PPG Normalization based on Subject Heartbeat in Resting State Condition
生理反应现在被广泛用于识别在现实生活场景中的主体的情感状态。然而，这些数据本质上取决于受试者，由于受试者间的差异性，使得用于数据分类的机器学习技术不容易应用。在这项工作中，减少受试者间的异质性被认为是在的情况下，PhotoPlethysmoGraphy（PPG），这是成功地用于检测压力和评估经验丰富的认知负荷。针对受试者间的异质性，提出了一种新的个性化PPG归一化方法。考虑到静息状态条件下受试者的心跳频率，引入了PPG信号被适当重新缩放的受试者归一化离散域。建议的规范化的有效性进行评估，在一个二进制分类任务，其中认知负荷和放松状态被认为是与其他规范化程序相比。在文献中提供的两个不同的数据集上获得的结果证实，应用所提出的归一化策略允许提高分类性能。
2022-02-23 eess.SP
Transformer-Based Heartbeat Monitoring with FMCW Radar Under Random Body Motion
Dept. of Information Engineering, University of Pisa（比萨大学信息工程系）；Radar and Surveillance Systems (RaSS) National Laboratory, CNIT（CNIT雷达与监视系统（RaSS）国家实验室）
提出一种结合模型驱动信号处理与CNN-Transformer网络的混合框架，从77 GHz FMCW雷达数据中重构PPG信号，实现随机身体运动下的可靠心率与心率变异性估计。
2026-05-27 eess.SP
Higher-order tensor independent component analysis to realize MIMO remote sensing of respiration and heartbeat signals
本文提出了一种新的独立分量分析（ICA）方法，我们称之为高阶张量ICA（HOT-ICA）。HOT-ICA是一种张量ICA，它有效地利用了由分离张量的轴表示的信号类别。传统的张量ICA，如基于Tucker分解的多线性ICA（MICA），没有充分利用张量的高维性，因为MICA中的矩阵化使张量轴分类无效。在本文中，我们处理多目标信号分离的多输入多输出（MIMO）雷达系统，以检测呼吸和心跳。HOT-ICA通过结合路径信息，即，使用发射/接收天线的物理测量类别。在数值物理实验中，我们的HOT-ICA系统即使在障碍物影响的环境中也能有效地分离生物信号，这通常是一项困难的任务。结果表明HOT-ICA在保持张量分类不变的情况下，充分利用了分离张量的高维性。
2021-05-03 eess.SP
Heartbeat Detection from Ballistocardiogram using Transformer Network
本文提出一种基于transformer网络的方法，通过从BCG预测的ECG检测心跳精确时间，在三个数据集上验证了segment模型的优越性能，为长期家庭心率监测和心血管疾病预防提供了非侵入性解决方案。
2024-12-18 eess.SP
Radar-Based Identification of Individuals Using Heartbeat Features Extracted from Signal Amplitude and Phase
本文提出利用毫米波雷达提取心跳特征进行个体识别，通过分析幅度、相位和复信号的频谱图，并融合特征以提高识别准确率，实验达到97.67%的准确率。
2026-01-11 eess.SP
Robust heartbeat detection using multimodal recordings and ECG quality assessment with signal amplitudes dispersion
方法：在这项研究中，介绍了一种新的方法，用于区分无噪声段的心电图噪声段，使用样本幅度离散度与自适应阈值的样本幅度的变化和方法，该方法使用的兼容性检测到的心跳心电图和其他一些信号，这是与心脏活动，如BP，动脉压（ART）和肺动脉压（PAP）。基于它们上的峰值的幅度和清晰度，在其他脉动信号中应用优先级，并且对ECG有噪声的段采用融合策略，并且在三步评分函数中对数据中包含对应于ECG的R峰值的峰值的其他可用信号进行评分。
2021-05-20 eess.SP
ECGformer: Leveraging transformer for ECG heartbeat arrhythmia classification
Louisiana State University Health Sciences Center（路易斯安那州立大学健康科学中心）；Erzurum Technical University（埃尔祖鲁姆技术大学）
本文提出ECGformer模型，利用Transformer架构对心电图心律失常进行分类，并在MIT-BIH和PTB数据集上验证了其有效性。
2024-01-06 cs.AI cs.LG eess.SP
Heartbeat-Based Synchronization Scheme for the Human Intranet: Modeling and Analysis
在同步网络中，节点之间共享公共时钟信号对于通信至关重要。提出了一种基于心跳的穿戴式节点同步方案。介绍了这种协调技术的原理，并结合一种基于标点的通信方法。的硬件模块的理论模型，概述了它们的规格对系统的影响。此外，我们评估的同步效率在模拟和比较占空比接收器拓扑结构。功耗至少提高了26%，延迟控制严格，而通道可用性没有任何成本。
2020-05-12 cs.NI eess.SP
Dynamic Heartbeat Modeling with Recurrent Neural Networks and Inverse Gaussian Point Process
University of Twente（特文特大学）
本文研究了使用循环神经网络改进逆高斯过程对心跳间期动态进行概率建模，通过Kolmogorov-Smirnov统计评估了四种RNN架构的效果，展示了结合神经序列模型与IGP框架的可行性。
2026-10-12 eess.SP
Robust Heartbeat Detection from Multimodal Data via CNN-based Generalizable Information Fusion
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
目的：心跳检测仍然是心脏病诊断和管理的核心，传统上是基于心电图（ECG）进行的。为了提高检测的鲁棒性和准确性，特别是在某些重症监护场景中，最近已经建议使用诸如动脉血压（BP）的附加生理信号。在那里，心跳位置的估计需要来自多个信号的信息融合。然而，在这方面的努力报告往往获得多模态估计有点间接，分别获得的信号特定的中间估计之间的投票。相比之下，我们建议直接融合来自多个信号的信息，而不需要中间估计，从而以稳健的方式估计心跳位置。方法：我们提出了一个心跳检测器，一个卷积神经网络（CNN），从多个生理信号中学习融合特征。该方法消除了对手工挑选的信号特定特征和ad hoc融合方案的需要。此外，由于是数据驱动的，相同的算法从任意一组信号中学习合适的特征。结果：使用PhysioNet 2014 Challenge数据库的ECG和BP信号，我们获得了94%的评分。此外，使用MIT-BIH心律失常数据库的两个ECG通道，我们得分为99.92%。这两个分数都优于以前报告的数据库特定的结果。此外，我们的检测器在各种临床条件下都实现了高精度。结论：提出的基于CNN的信息融合（CIF）算法是通用的，鲁棒性和有效的检测心跳位置从多个信号。重要性：在医疗信号监测系统中，即使只有一个子集的通道是可靠的，我们的技术将准确地估计心跳的位置。
2018-06-29 cs.CV eess.SP physics.med-ph
High quality ECG dataset based on MIT-BIH recordings for improved heartbeats classification
Innovation Academy Mila（米拉创新学院）；Abdelhafid Boussouf University Center（阿卜杜勒哈菲德·布苏夫大学中心）；Badji Mokhtar-Annaba University（巴吉·穆克塔尔-安纳巴大学）
本文提出一种利用全部48个MIT-BIH recordings构建高质量ECG心跳数据集的方法，通过消除异常值和计算10秒窗口均值得到以QRS波为中心的独立心跳，训练的PyTorch 1-D Resnet模型准确率达99.24%，下采样还显著提升了执行效率并降低内存。
2024-10-27 cs.AI cs.LG eess.SP
Physiological Signal Processing in Heart Rate Variability Measurement: A Focus on Spectral Analysis
快速傅立叶变换（FFT）依赖于心率变异性的频域分析技术。它需要对固有的不均匀采样的心跳时间序列（RR速度描记图）进行重新采样，以产生心跳的均匀采样时间序列。然而，重新采样的心跳时间序列被发现产生一个实质性的错误时，估计人工RR转速图。
2022-08-02 eess.SP math.SP physics.med-ph
Event-based sampled ECG morphology reconstruction through self-similarity
背景和目的：基于事件的模数转换器允许稀疏生物信号采集，从而实现局部亚奈奎斯特采样频率。然而，积极的事件选择可能会导致重要的生物标志物的丢失，这是标准插值技术无法恢复的。在这项工作中，我们利用心电图（ECG）信号的自相似性来恢复基于事件的采样ECG信号中缺失的特征，动态选择具有患者代表性的模板以及一种新的动态时间规整算法来推断基于事件的采样心跳的形态。研究方法：我们获得一组均匀采样的心跳，并使用基于图形的聚类算法来定义患者的代表性模板。然后，对于每个基于事件的采样心跳，我们选择形态学上最近的模板，然后我们重建的心跳与分段线性变形所选择的模板，根据一种新的动态时间规整算法，匹配事件模板段。结果如下：对由大约180万次正常心跳组成的标准正常窦性心律数据集进行的合成测试显示，相对于标准恢复技术，性能有了很大的飞跃。特别是（当与经典的线性响应相比时），我们在P波检测中显示出高达10倍的改进，在T波检测中显示出高达3倍的改进，并且在动态时间规整形态距离中显示出30%的改进。结论：在这项工作中，我们已经开发了一个基于事件的处理管道，利用信号的自相似性来重建基于事件的采样ECG信号。合成测试显示出明显的优势，超过经典的呼吸技术。
2022-07-05 eess.SP
Heart-Darts: Classification of Heartbeats Using Differentiable Architecture Search
Sichuan University（四川大学）
心律失常是一种心血管疾病，表现为不规则的心跳。在心律失常检测中，心电图（ECG）信号是一种重要的诊断技术。然而，手动评估ECG信号是一项复杂且耗时的任务。随着卷积神经网络（CNN）的应用，评估过程加快了，性能得到了提高。值得注意的是，CNN的性能在很大程度上取决于其架构设计，这是一个基于专家经验和试错的复杂过程。在本文中，我们提出了一种新的方法，心脏飞镖，有效地分类心电图信号自动设计的CNN模型与可微结构搜索（即，Darts，一种基于细胞的神经结构搜索方法）。具体来说，我们首先搜索一个细胞架构的飞镖，然后定制一个新的CNN模型的基础上获得的细胞心电图分类。为了研究所提出的方法的效率，我们评估了MIT-BIH心律失常数据库上构建的模型。此外，所提出的CNN模型的可扩展性在另外两个新的数据库上进行了验证。大量的实验结果表明，所提出的方法优于几个国家的最先进的CNN模型在ECG分类的性能和泛化能力。
2021-05-03 cs.LG eess.SP
mmHRR: Monitoring Heart Rate Recovery with Millimeter Wave Radar
本文提出mmHRR，利用商用毫米波雷达非接触监测运动后心率恢复，通过动态目标跟踪、自适应心跳提取和复合滑动窗口估计心率，误差仅3.31bpm，较现有方法降低71%。
2025-03-28 eess.SP
Unsupervised detection and classification of heartbeats using the dissimilarity matrix in PCG signals
本研究提出一种基于相异矩阵和帧级频谱散度的两级级联无监督方法，用于PCG信号中心跳检测与S1/S2分类，并通过验证-校正-分类算法提升性能，在含噪临床场景中表现最佳。
2024-11-05 eess.AS eess.SP
Radar-APLANC: Unsupervised Radar-based Heartbeat Sensing via Augmented Pseudo-Label and Noise Contrast
针对传统雷达心跳感知因噪声性能下降、基于学习的方法需昂贵标注的问题，提出首个无监督框架Radar-APLANC，通过增强伪标签与噪声对比构建样本并设计NCT损失，性能可媲美有监督方法。
2025-11-11 cs.AI cs.CV cs.HC
A Novel Method for ECG Signal Classification via One-Dimensional Convolutional Neural Network
提出了一种基于一维卷积神经网络（CNN）的心电信号分类方法。ECG分割策略称为R-R-R策略（即，保留刚好在当前R峰之前和之后的R峰之间的ECG数据），用于将原始ECG数据分割成段，以便训练和测试1D CNN模型。该策略在更大程度上模仿医生扫描心电图，并最大限度地利用心电图段的固有信息。5类和6类的分类模型的性能进行了验证，从48个记录的MIT-BIH心律失常数据库的ECG信号。由于心跳类型被分为5类（即，MIT-BIH中正常搏动、左束支传导阻滞搏动、右束支传导阻滞搏动、室性异位搏动和起搏搏动的分类准确率最高，曲线下面积（AUC）、灵敏度和F1评分分别达到99.24%、0.9994、0.99和0.99。由于心跳类型被分为6类（即，正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏、室性异位心搏、起搏心搏和其他心搏）的心搏分类准确率为97.02%，AUC为0.9966，灵敏度为0.97，F1评分为0.97。同时，根据美国医疗器械促进协会（AAMI）的推荐实践，心跳类型分为5类（即，正常心搏、室上性异位心搏、室性异位心搏、融合心搏和不可分类心搏）的心搏分类准确率、灵敏度和F1评分分别达到97.45%、0.97和0.97。实验结果表明，该方法取得了更好的性能比国家的最先进的方法。
2020-06-20 eess.SP
Electrocardiogram Heartbeat Classification Using Convolutional Neural Networks for the Detection of Cardiac Arrhythmia
心电图（ECG）信号的分类对识别心脏相关疾病具有重要影响。这可以确保过早发现心脏病和正确选择患者的定制治疗。然而，心律失常的检测是手动执行的具有挑战性的任务。这证明了自动检测异常心脏信号的技术的必要性。因此，我们的工作是基于五类ECG心电图信号的分类从Physionet的MIT-BIH心律失常数据集。人工神经网络（ANN）在ECG信号分类中取得了显著的成功。我们提出的模型是一个卷积神经网络（CNN）定制分类的ECG信号。我们的结果证明，计划的CNN模型可以成功地分类心律失常的总体准确率为95.2%。该模型的平均准确率和召回率分别为95.2%和95.4%。该模型可以有效地用于在早期阶段检测心律不齐。
2020-10-05 eess.SP physics.med-ph
Two-stream Network for ECG Signal Classification
Shanghai Jiao Tong University（上海交通大学）；Zhong Shan Hospital（中山医院）
心电图（ECG）是一种心脏活动的医学监测技术，是识别心血管疾病的重要方法。然而，分析日益增长的心电数据量消耗了大量的医疗资源。本文探索了一种有效的基于心电图的多类心跳类型自动分类算法。大多数基于神经网络的方法都以单个心跳为目标，忽略了嵌入在时间序列中的秘密。并且心电信号具有时间变化和独特的个体特征，这意味着同一类型的心电信号在不同的身体条件下在患者之间是不同的。本文提出了一种两流结构，并在此基础上提出了一种增强型的心电图识别。该架构实现了整体ECG信号和个体心跳的分类，并结合了识别和时间流网络。识别网络用于提取单个心跳的特征，而时间网络旨在提取心跳之间的时间相关性。在MIT-BIH心律失常数据库上的实验结果表明，该算法的准确率为99.38%。此外，该算法在现实生活中的海量数据上取得了88.07%的正向准确率，表明该算法能够有效地对不同类别的心跳进行分类，具有较高的诊断性能.
2022-10-05 cs.AI cs.CV cs.LG
PigV$^2$: Monitoring Pig Vital Signs through Ground Vibrations Induced by Heartbeat and Respiration
猪生命体征监测（例如，估计心率（HR）和呼吸率（RR））对于了解母猪的应激水平和检测分娩的开始是必要的。它有助于最大限度地提高围产期存活率并改善养猪生产中的动物福利。现有的方法主要依赖于人工测量，这是劳动密集型的，并且仅提供几个点的信息。开发了其他传感模式，如可穿戴设备和相机，以实现更连续的测量，但由于动物不适，数据传输和存储挑战，仍然受到限制。在本文中，我们介绍了PigV $^2$，第一个系统，监测猪的心率和呼吸率通过地面振动。我们的方法利用了这样的洞察力，即当母猪躺在地板上时，心跳和呼吸都会产生地面振动。我们通过感知和分析这些振动来推断重要信息。开发PigV $^2$的主要挑战是振动信号中与生命和非生命相关的信息的重叠，包括猪的运动，猪的姿势，猪到传感器的距离，等等。为了解决这个问题，我们首先描述它们的影响，提取它们的当前状态，然后通过自适应插值多个传感器的生命率来减少它们的影响。PigV $^2$通过30只猪的真实部署进行评价。对母猪心率和呼吸的监测平均误差分别为3.4%和8.3%。
2022-12-07 eess.SP physics.app-ph
Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals
Walkky（沃基公司）；Chobanian & Avedisian School of Medicine, Boston University（波士顿大学乔巴尼亚与阿夫迪西安医学院）；Clemson University（克莱姆森大学）；Northwell Health Physician Partners（诺斯韦尔健康医师伙伴）；Lenox Hill Hospital（莱诺克斯山医院）
针对可穿戴单导联ECG设备在心脏病检测中AI模型可解释性不足的问题，本研究提出基于Vision Transformer的方法识别心房颤动，并与ResNet对比，成功定位P波、T波等心跳关键特征以提升临床诊断可解释性。
2024-04-28 cs.AI cs.CV cs.LG
EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection
Ajou University（明知大学）；Ajou University Medical Center（明知大学医学中心）；Ajou University School of Medicine（明知大学医学院）
针对ECG异常数据稀缺导致监督学习受限的问题，本文提出基于GAN的无监督模型EB-GAME，仅用正常信号标签训练，在MIT-BIH数据集上达到SOTA性能。
2024-04-08 cs.LG eess.SP
PrivyWave: Privacy-Aware Wireless Sensing of Heartbeat
PrivyWave 通过密钥控制生成诱饵心跳信号，使未授权传感器无法区分真假心跳而授权传感器可恢复准确测量，从而在毫米波雷达和声学感知中实现选择性隐私保护。
2025-11-06 cs.CR cs.HC eess.SP
Heart Rate Variability Series is the Output of a non-Chaotic System driven by Dynamical Noise
本研究提出一种基于二维相空间含噪声均方位移渐近增长率的方法框架，验证并应用于真实HRV序列，发现其由动态噪声驱动的规则系统生成，推翻了心血管系统混沌的早期结论。
2024-04-17 eess.SP nlin.CD
Beat by Beat: Classifying Cardiac Arrhythmias with Recurrent Neural Networks
ETH Zurich（苏黎世联邦理工学院）
移动心脏事件记录仪每天处理数万条心电图（ECG）记录，心律分类算法是持续监测高危患者的重要工具。我们利用12，186个单导联ECG记录的注释数据集来构建一个多样化的循环神经网络（RNN）集合，该集合能够区分正常窦性心律，房颤，其他类型的心律失常和噪声太大而无法解释的信号。为了简化在时间维度上的学习，我们引入了一种新的任务公式，该公式利用ECG信号到心跳的自然分割来大幅减少每个序列的时间步长。此外，我们用一个注意力机制扩展了我们的RNN，使我们能够推理我们的RNN关注哪些心跳来做出决策。通过使用注意力，我们的模型保持了高度的可解释性，同时还实现了最先进的分类性能，在一个看不见的测试集（n= 3，658）上的平均F1得分为0.79。
2017-10-24 cs.CV cs.LG eess.SP
Self-Supervised Autoencoder Network for Robust Heart Rate Extraction from Noisy Photoplethysmogram: Applying Blind Source Separation to Biosignal Analysis
Mellowing Factory Co. Ltd.（梅洛灵工厂有限公司）；Chungnam National University Hospital（全南国立大学医院）；Department of Radiology, Seoul National University College of Medicine（首尔国立大学医学院放射科）
本文提出了一种自监督多编码器自动编码器，用于从噪声PPG信号中提取心跳相关信号，提升心率检测性能。
2025-08-11 cs.LG eess.SP
ECG Heart-beat Classification Using Multimodal Image Fusion
Ryerson University（瑞尔森大学）
在本文中，我们提出了一种新的图像融合模型（IFM）的ECG心跳分类，以克服现有的机器学习技术，依赖于手动特征提取或直接利用一维原始ECG信号的弱点。在IFM的输入端，我们首先使用Gramian角场（GAF），递归图（RP）和马尔可夫转移场（MTF）将ECG的心跳转换为三种不同的图像，然后将这些图像融合以创建单个成像模态。我们使用AlexNet进行特征提取和分类，从而采用端到端深度学习。我们根据AAMI EC 57标准对PhysioNet MIT-BIH数据集进行了五种不同心律失常的实验，并对PTB诊断数据集进行了心肌梗死（MI）分类。我们在预测准确性、精确度和召回率方面取得了最先进的结果。
2021-05-28 cs.CV cs.LG eess.SP
