Cardiac Arrhythmia Detection from ECG with Convolutional Recurrent Neural Networks
Swiss Center for Electronics and Microtechnology (CSEM)（瑞士电子与微技术中心）
除了少数几种特殊类型，心律失常不会立即危及生命。然而，如果不适当治疗，它们可能会导致严重的并发症。特别是，以快速和不规则心跳为特征的心房颤动增加了中风的风险。我们提出了三种神经网络架构来检测单导联ECG信号中的异常节律。这些架构结合卷积层，从滑动窗口和递归层中提取与心律失常检测相关的高级特征，以在不同持续时间的信号上聚合这些特征。我们将神经网络应用于用于2017年心脏病学计算挑战的数据集，以及通过连接PhysioNet上的三个数据库构建的数据集。我们的架构在第一个数据集上实现了86.23%的准确率，与挑战赛的获奖作品相似，在第二个数据集上实现了92.02%的准确率。
2020-10-07 cs.LG eess.SP
Arrhythmia Classification using CGAN-augmented ECG Signals
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Clemson University（克莱姆森大学）
ECG数据库通常是高度不平衡的，由于正常ECG的丰富和异常情况下的稀缺。因此，在不平衡数据集上训练的深度学习分类器通常表现不佳，尤其是在小类上。一种解决方案是使用生成对抗网络（GAN）来生成真实的合成ECG信号以增强不平衡的数据集。在这项研究中，我们将条件GAN与WGAN-GP相结合，首次开发了一维形式的AC-WGAN-GP，并将其应用于MIT-BIH心律失常数据集。我们研究了数据增强对心律失常分类的影响。我们采用两种模型用于ECG生成：（i）无条件GAN;具有梯度惩罚的Wasserstein GAN（WGAN-GP）在每个类上单独训练;（ii）有条件GAN;一个辅助分类器WGAN-GP（AC-WGAN-GP）模型在所有类上训练，然后用于生成所有类中的合成搏动。针对每种情况定义两种场景：（a）未筛选;使用所有生成的合成搏动，以及（b）筛选;基于生成的搏动与指定模板的动态时间规整（DTW）距离，仅选择和使用生成的搏动的一部分。在每个增强数据集上训练最先进的ResNet分类器（EcgResNet 34），并将性能指标（精度/召回率/F1-分数微观和宏观平均，混淆矩阵，多类精度-召回率曲线）与未增强的不平衡情况进行比较。我们还使用了一个简单的指标Net Improvement。所有这三个指标一致表明，净改善（总的和小类），无条件的GAN与原始生成的数据（未筛选）创造了最好的改善。
2022-11-17 cs.LG eess.SP
ECG-LDC: A Hardware-Efficient Low-Dimensional Computing Framework for ECG Arrhythmia Classification
University of Pennsylvania（宾夕法尼亚大学）；VinUniversity（文大学）；VinUni–Illinois Smart Health Center（文大学-伊利诺伊智能健康中心）
针对可穿戴设备中心电图心律失常分类需求，提出软硬件协同设计框架ECG-LDC，采用双编码器架构及低维计算，经数据预处理、模型训练和硬件加速器架构原型实现，准确率高且内存占用低，适合资源受限可穿戴平台实时检测心律失常。
2026-07-14 cs.AI cs.LG eess.SP
ECG-ATK-GAN: Robustness against Adversarial Attacks on ECGs using Conditional Generative Adversarial Networks
University of Nevada, Reno（内华达大学里诺分校）；Fudan University（复旦大学）
从ECG自动检测心律失常需要一个强大且可靠的系统，该系统在电气干扰下保持高精度。许多机器学习方法在分类ECG心律失常方面已经达到了人类水平的性能。然而，这些架构容易受到对抗性攻击，这可能会通过降低模型的准确性来错误分类ECG信号。对抗性攻击是在原始数据中注入的精心制作的小扰动，它表现出信号中的分布偏移，从而对正确的类进行错误分类。因此，出现了安全问题的虚假住院和保险欺诈滥用这些扰动。为了解决这个问题，我们引入了第一个新的条件生成对抗网络（GAN），对对抗攻击的ECG信号具有鲁棒性，并保持高精度。我们的架构集成了一个新的类加权目标函数，用于对抗性扰动识别和新的块，用于识别和组合学习过程中信号的分布偏移，以准确分类各种心律失常类型。此外，我们基准我们的架构上六个不同的白盒和黑盒攻击，并将它们与其他最近提出的心律失常分类模型在两个公开的ECG心律失常数据集。实验证实，我们的模型是更强大的对抗这种对抗性攻击分类心律失常的准确性高。
2022-08-25 cs.AI cs.LG eess.SP
ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks
University of New South Wales（新南威尔士大学）；Harvard University（哈佛大学）
心电图（ECG）信号是一种高度应用的个体心脏状况的测量，并且已经进行了许多努力，以实现基于机器学习的自动心律失常诊断。然而，传统的机器学习模型需要投入大量的时间和精力来进行原始数据的预处理和特征提取，并且受到分类性能差的挑战。在这里，我们提出了一种新的深度学习模型，命名为基于注意力的卷积神经网络（ABCNN），它利用CNN和多头注意力，直接对原始ECG信号进行处理，并自动提取信息依赖关系，以进行准确的心律失常检测。为了评估所提出的方法，我们进行了广泛的实验，在一个基准心电图数据集。我们的主要任务是从正常心跳中发现心律失常，同时从五种心律失常类型中准确识别心脏疾病。我们还提供了ABCNN的收敛性分析，并通过可视化直观地展示了提取的表示的意义。实验结果表明，所提出的ABCNN优于广泛使用的基线，这使得智能心脏病诊断系统更近了一步。
2021-10-28 cs.AI cs.LG eess.SP
Advanced Neural Network Architecture for Enhanced Multi-Lead ECG Arrhythmia Detection through Optimized Feature Extraction
本研究提出一种基于六层带残差块卷积神经网络（CNN）的深度学习方法，利用多导联心电图数据自动分类五种心跳类型，有效提高了心律失常检测的准确性与效率。
2024-04-13 cs.AI cs.LG eess.SP
Localizing the Origin of Idiopathic Ventricular Arrhythmia from ECG Using an Attention-Based Recurrent Convolutional Neural Network
École de technologie supérieure (ÉTS), Université du Québec（魁北克大学高等技术学院）
特发性室性心律失常（IVAs）是一种扰乱正常心律的异常心跳，如果不及时治疗，可能会致命。心脏导管消融术是治疗IVA的标准方法，然而，消融术的关键前提是IVA起源的定位。目前的IVA定位技术是侵入性的，依赖于专家的解释，或者是不准确的。在这项研究中，我们开发了一种新的深度学习算法，可以从ECG信号中自动识别IVA的起源，而无需专家手动分析。我们开发的深度学习算法包括空间融合以从多通道ECG数据中提取最具信息量的特征，时间建模以捕获ECG时间序列的演变模式，以及注意力机制以权衡最重要的时间特征并提高模型的可解释性。该算法在从334例（230例女性）患者中收集的12导联ECG数据集上进行了验证，这些患者经历了IVA并成功接受了导管消融术，确定了IVA的确切起源。所提出的方法实现了93%的曲线下面积，94%的准确性，97%的灵敏度，95%的精确度，和F1评分为96%，在定位IVAs的起源，并优于现有的自动和半自动算法。所提出的方法显示了对自动和无创性评估IVA患者心脏导管消融术前的承诺。
2023-01-28 cs.LG eess.SP
SRECG: ECG Signal Super-resolution Framework for Portable/Wearable Devices in Cardiac Arrhythmias Classification
针对便携式可穿戴设备低采样率心电信号分辨率不足影响心律失常分类的问题，提出基于深度学习的SRECG超分辨率框架，实验证明其相比传统插值法能显著提升分类精度，保留约一半的高分辨率分类器性能。
2023-01-15 cs.LG eess.SP
Computer-Aided Arrhythmia Diagnosis by Learning ECG Signal
心电图（ECG）是一种无创、低风险的心脏监测方法。ECG信号中的任何异常模式都是心脏功能障碍的指示性量度，称为心律失常。由于缺乏人类的专业知识和高概率误诊，计算机辅助诊断和分析是首选。在这项工作中，我们进行心律失常检测与优化的神经网络具有分段线性近似为基础的激活函数，以减轻复杂的计算在传统的激活函数。此外，我们提出了一种自学习的方法，心律失常检测通过学习和分析的特征（周期）的ECG信号。基于自学习的方法实现了97.28%的心律失常检测准确率，具有优化激活函数的神经网络实现了99.56%的心律失常检测准确率。
2018-09-28 eess.SP q-bio.QM
Combining Support Vector Machine and Elephant Herding Optimization for Cardiac Arrhythmias
Cairo University（开罗大学）；Minia University（米尼亚大学）
目前许多人患有心脏病，可能导致过早死亡。最常见的心脏异常是心律失常，这只是不规则的心脏跳动。心脏病，包括心血管疾病（CDV）和心律失常的早期干预和预防的预测系统是重要的。本文介绍了心电图（ECG）心跳分为正常和异常。该方法是基于改进的PannTompkins算法（MPTA）和支持向量机（SVMs）的组合群优化算法。首先利用MPTA去除ECG噪声，然后利用扩展特征提取算法（EFEA）进行ECG特征提取。然后，大象放牧优化（EHO）被用来找到一个子集的心电图特征从一个更大的特征池，提供更好的分类性能比使用整个集实现。最后，SVM用于分类。结果表明，EHOSVM方法取得了良好的分类结果的五个统计指标：准确率，93.31%，灵敏度，45.49%，精确度，46.45%，F-措施，45.48%和特异性，45.48%。此外，结果表明，与其他方法相比，当应用于MITBIH心律失常数据库时，准确性明显提高。
2018-06-20 cs.LG eess.SP
MLBF-Net: A Multi-Lead-Branch Fusion Network for Multi-Class Arrhythmia Classification Using 12-Lead ECG
School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院）；Department of Electrocardiogram, The First Affiliated Hospital of University of Science and Technology of China (Anhui Provincial Hospital)（中国科学技术大学附属第一医院（安徽省立医院）心电图科）
利用12导联心电图（ECG）信号自动检测心律失常在心血管疾病的早期预防和诊断中起着至关重要的作用。在之前关于自动心律失常检测的研究中，大多数方法都将12个导联的心电图串接成一个矩阵，然后将该矩阵输入到各种特征提取器或深度神经网络中以提取有用的信息。在这种框架下，这些方法有能力提取12导联ECG的综合特征（称为完整性），因为每个导联的信息在训练过程中相互作用。然而，12导联之间的不同导联特异性特征（称为多样性）被忽略，导致12导联ECG的信息学习不足。为了最大限度地提高多导联心电图的信息学习能力，应考虑具有完整性的综合特征和具有多样性的导联特异性特征的信息融合。在本文中，我们提出了一种新的多导联分支融合网络（MLBF-Net）的心律失常分类架构，通过集成多损失优化，共同学习的多样性和完整性的多导联心电图。MLBF-Net由三个部分组成：1）用于学习多导联ECG的多样性的多个导联特定分支; 2）通过级联所有分支的输出特征图来学习多导联ECG的完整性的跨导联特征融合; 3）所有单个分支和级联网络的多损失协同优化。我们在2018年中国生理信号挑战赛上展示了我们的MLBF-Net，这是一个开放的12导联ECG数据集。实验结果表明，MLBF-Net获得的平均$F_1$分数为0.855，达到了最高的心律失常分类性能。该方法从信息融合的角度为多导联心电图分析提供了一种很有前途的解决方案。
2020-08-17 cs.CV cs.LG eess.SP
Arrhythmia Classification from 12-Lead ECG Signals Using Convolutional and Transformer-Based Deep Learning Models
Transilvania University（特兰西瓦尼亚大学）
本研究利用多种公共心电图数据集，结合卷积神经网络与视觉Transformer模型，提出轻量高效的12导联心律失常分类方法，其中GRU-1D CNN准确率达93.4%。
2025-02-25 cs.AI cs.LG eess.SP
ECG Classification System for Arrhythmia Detection Using Convolutional Neural Networks
Australian National University（澳大利亚国立大学）；Vellore Institute of Technology（韦洛尔理工大学）
提出一种含残差块的 CNN 深度学习流水线，利用多导联 ECG 在 MIT-BIH 数据集上完成五类心拍分类，15,000 个病例准确率达 98.2%。
2024-06-12 cs.LG eess.SP q-bio.QM
Machine Learning-based Efficient Ventricular Tachycardia Detection Model of ECG Signal
Indian Institute of Engineering Science and Technology, Shibpur（印度工程科学与技术学院，斯赫普尔）；IIT (ISM), Dhanbad（印度理工学院（印度矿业学院），丹巴德）
在心脏缺陷的初步诊断和分析中，ECG信号起着重要的作用。本文提出了一种使用噪声滤波、一组独特的ECG特征和基于机器学习的分类器模型来预测室性心动过速心律失常的模型。在信号特征提取之前，先对信号进行去趋势和去噪处理，消除噪声，以便更好地检测特征。之后，提取必要的特征，并测量与这些特征相关的必要参数。使用这些参数，我们准备了一个有效的多类分类器模型，使用机器学习的方法，可以有效地分类不同类型的室性心动过速心律失常。我们的研究结果表明，逻辑回归和决策树模型是最有效的机器学习模型检测室性心动过速心律失常。为了诊断心脏病并为患者找到护理，需要对不同类型的心律失常进行早期可靠的诊断。通过实施我们提出的方法，这项工作涉及的问题，减少错误分类的关键信号相关的室性心动过速非常有效。实验结果表明，令人满意的增强，并表现出高弹性的算法，我们已经提出。有了这种帮助，医生可以早期评估患者的这种类型的心律失常，并在适当的时候做出正确的决定。
2021-12-24 cs.LG eess.SP
Deep learning based ECG segmentation for delineation of diverse arrhythmias
Seoul National University（首尔大学）；Asan Medical Center, University of Ulsan College of Medicine（蔚山大学医学院附属峨山医院）；Pusan National University Hospital, Pusan National University School of Medicine（釜山大学医学院附属釜山国立大学医院）；AI Institute, Seoul National University（首尔大学人工智能研究院）；Seoul National University Hospital（首尔大学医院）；Medifarmsoft Co., Ltd.（Medifarmsoft有限公司）
本文提出一种类 U-Net 的心电图分割模型及后处理算法，用于在多种心律失常条件下准确 delineation P、QRS 和 T 波，并针对标准基准中代表性不足的心律失常提出改进策略。
2024-08-07 cs.LG eess.SP
Classification of Arrhythmia by Using Deep Learning with 2-D ECG Spectral Image Representation
University of Engineering and Technology Taxila（塔克西拉工程技术大学）；University of Central Florida（中佛罗里达大学）；Hankuk University of Foreign Studies（韩国外国语大学）；Xiamen University Malaysia（厦门大学马来西亚分校）
心电图（ECG）是用于心血管疾病（CVD）诊断和预测的最广泛使用的信号之一。ECG信号可以捕获心脏的节律不规则，通常称为心律失常。仔细研究ECG信号对于精确诊断患者的急性和慢性心脏病至关重要。在这项研究中，我们提出了一个二维（2-D）卷积神经网络（CNN）模型的分类ECG信号分为八类，即，正常搏动，室性早搏，起搏搏动，右束支传导阻滞搏动，左束支传导阻滞搏动，房性早搏，心室扑动波搏动，心室逸搏。通过短时傅里叶变换将一维心电信号时间序列变换为二维谱图。由四个卷积层和四个池化层组成的2-D CNN模型被设计用于从输入频谱图中提取鲁棒特征。我们提出的方法进行了评估公开可用的MIT-BIH心律失常数据集。我们达到了最先进的平均分类准确率为99.11%，这是优于最近报道的结果，在分类类似类型的心律失常。在其他指标中的性能也是显著的，包括灵敏度和特异性，这表明所提出的方法是成功的。
2020-05-25 cs.CV cs.LG eess.SP
ECGadv: Generating Adversarial Electrocardiogram to Misguide Arrhythmia Classification System
The Hong Kong University of Science and Technology（香港科技大学）；Southern University of Science and Technology, Peng Cheng Laboratory（南方科技大学鹏城实验室）；Huazhong University of Science and Technology（华中科技大学）
本文针对基于深度神经网络的心电图诊断系统，分析心电图特性并设计两种攻击模型下的对抗攻击方案，揭示系统盲点，呼吁采取对策。
2020-01-14 cs.LG eess.SP stat.ML
ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification
Dipartimento di Informatica, Università di Verona, Verona, Italy（信息学院，威尼斯大学，威尼斯，意大利）；Department of Computer Science, School of Mathematics and Computer Science, Institute of Business Administration, Karachi, Pakistan（计算机科学系，数学与计算机科学学院，商学院，卡拉奇，巴基斯坦）；Faculty of Information Technology, Salim Habib University, Karachi, Pakistan（信息技术学院，萨利姆·哈比大学，卡拉奇，巴基斯坦）
本文提出两种轻量级一维卷积神经网络ArrhythmiNet V1和V2，以极小内存占用在MIT-BIH数据集上实现高精度五类心律失常分类，并结合SHAP与Grad-CAM提供可解释性，验证了在边缘设备上兼顾准确率、效率与临床透明性的可行性。
2025-04-30 cs.AI cs.LG eess.SP
Heartbeat Classification in Wearables Using Multi-layer Perceptron and Time-Frequency Joint Distribution of ECG
Drexel University（德雷塞尔大学）；IMEC（比利时微电子研究中心）；KU Leuven（荷语鲁汶大学）；Stichting Imec Nederland（荷兰Imec基金会）
使用心电图（ECG）数据进行心跳分类是可穿戴健康解决方案的重要辅助技术。我们提出了一种新的稀疏表示的基础上的心电信号的时频联合分布的心跳特征分类。其基础是一个多层感知器，它结合了这些特征来检测心律失常。利用MIT-BIH心律失常数据库中的ECG数据对该方法进行了验证。结果表明，我们的方法具有平均95.7%的准确率，比最先进的方法提高了22%。此外，ECG稀疏分布表示仅产生3.7%的假阴性，相对于现有的ECG信号分类技术减少了89%。
2019-08-13 cs.LG eess.SP
Cardiac Arrhythmia Detection from ECG Combining Convolutional and Long Short-Term Memory Networks
PeriGen. Inc.（PeriGen公司）；Simon Bolivar University（西蒙·玻利瓦尔大学）
目的：心房颤动（AF）是一种常见的心律失常，与致命和衰弱的后果相关，包括心力衰竭、中风、精神健康状况不佳、生活质量下降和死亡。拥有一个诊断各种类型心律失常的自动系统将有助于心脏病专家采取适当的预防措施，并改善对心脏病的分析。为此，本文介绍了一种新的方法来自动检测和分类心律失常的心电图（ECG）记录。研究方法：所提出的方法使用卷积神经网络（CNN）和长短期记忆（LSTM）单元序列的组合，并使用池化、丢弃和归一化技术来提高其准确性。该网络在每18个输入样本处预测一个分类，我们选择最终的预测进行分类。结果在Physionet Challenge 2017训练数据集上进行了交叉验证，该数据集包含8，528个单导联ECG记录，持续时间从9秒到60秒。结果：使用所提出的结构并且没有明确的特征选择，10倍分层交叉验证在保留的测试数据上给出了0.83.10-0.015的总体F测量（所有折叠的平均值-标准差），并且在Challenge条目服务器的隐藏数据集上给出了0.80。
2018-01-30 cs.LG eess.SP stat.ML
Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM
NYU（纽约大学）
从心电图（ECG）信号中视觉检测心脏病是一项具有挑战性的工作。实现心电信号的自动检测可以帮助心律失常的诊断，从而提高诊断的准确性。在本文中，我们提出，实现，并比较了一个自动化系统，使用两种不同的框架相结合的卷积神经网络（CNN）和长短期记忆（LSTM）的分类正常窦信号，心房颤动，和其他噪声信号。我们使用的数据集来自MIT-BIT Arrhythmia Physionet。我们的方法表明，两个深度学习网络的级联比它们的级联具有更高的性能，实现了0.82的加权f1得分。实验结果成功地验证了CNN和LSTM的级联可以在识别ECG信号方面取得令人满意的性能。
2020-11-12 cs.LG eess.SP
In-Distribution and Out-of-Distribution Self-supervised ECG Representation Learning for Arrhythmia Detection
Ingenuity Labs Research Institute（Ingenuity Labs 研究所）
本文系统评估了SimCRL、BYOL和SwAV等自监督学习方法在ECG心律失常检测中的有效性，发现其性能媲美有监督方法，且在分布内和分布外数据上表现出近乎相同的优异泛化能力。
2024-03-27 cs.AI cs.LG eess.SP
Weakly Supervised Arrhythmia Detection Based on Deep Convolutional Neural Network
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；Peng Cheng Laboratory（鹏城实验室）；School of Physics and Astronomy, University of Manchester（曼彻斯特大学物理与天文学院）；Northeastern University（东北大学）
监督式深度学习在心电图自动分类研究中得到了广泛的应用，这在很大程度上得益于对大数据集的充分标注。然而，现有的大部分ECG数据集都是粗略注释的，因此在其上训练的分类模型只能检测整个记录中异常的存在，但不能确定其确切的发生时间。此外，构建精细注释的ECG数据集可能花费巨大的时间和经济成本。因此，本研究提出了弱监督深度学习模型，用于检测异常ECG事件及其发生时间。模型的可用监督信息仅限于ECG记录中的事件类型，不包括每个事件的具体发生时间。利用深度卷积神经网络的特征局部性，模型首先根据局部特征进行预测，然后聚合局部预测来推断整个记录期间每个事件的存在。通过训练，期望局部预测反映每个事件的具体发生时间。为了测试它们的潜力，我们分别使用AFDB和MITDB数据集应用这些模型来检测心脏节律性和形态性心律失常。结果表明，该模型在检测心房颤动时达到了99.09%的搏动级准确率，在检测形态性心律失常时达到了99.13%的准确率，这与完全监督学习模型的准确率相当，证明了它们的有效性。该方法所揭示的局部预测图也有助于分析和诊断记录级分类模型的决策逻辑。
2020-12-10 cs.LG eess.SP
Multimodality Multi-Lead ECG Arrhythmia Classification using Self-Supervised Learning
Chonnam National University（全南国立大学）；University of Arkansas（阿肯色大学）；West Virginia University（西弗吉尼亚大学）
心电图（ECG）信号是最有效的信息源之一，主要用于与心律异常相关的心血管疾病（CVD）的诊断和预测。显然，单一模态ECG（即时间序列）不能传达其完整的特征，因此，需要以时间序列数据和频谱图的形式利用时间和时频模态。利用先进的自监督学习（SSL）技术对未标记的数据，我们提出了基于SSL的多模态ECG分类。我们提出的网络遵循SSL学习范式，由两个模块组成，分别对应于前流任务和下游任务。在SSL预流任务中，我们在没有标记数据的情况下，在各种变换以及时域和频域中使用自知识蒸馏（KD）技术。在对标记数据进行训练的下游任务中，我们提出了一种门融合机制来融合来自多模态的信息。为了评估我们的方法的有效性，在12导联PhysioNet 2020数据集上进行了10次交叉验证。
2022-09-30 cs.AI cs.LG eess.SP
Nonlinear and statistical analysis of ECG signals from Arrhythmia affected cardiac system through the EMD process
人体心脏是一个复杂的系统，表现出随机性，反映在心电图（ECG）信号。ECG信号是一种弱的、非平稳的、非线性的信号，其根据来自心脏的电磁脉冲的时间变化来指示心脏的健康。ECG信号的异常波动引起各种心血管疾病的可能性，这是通过由医疗从业者直观分析ECG报告来诊断的。这可以通过对记录的ECG信号施加先进的非线性工具来快速、准确和简单地进行。在本文中，一个众所周知的非线性技术，即，采用经验模态分解（EMD）方法提取心电信号中的隐含信息。在这里，我们试图探索人类心脏作为一个动态模型，并进行EMD的心电图报告区分心律失常从正常的数据，从广泛使用的MIT-BIH数据库。EMD本质上涉及将信号分解为有限数量的固有模式函数（IMF），保持其原始属性不变。为了分析，我们使用强大的Savitzky-Golay（SG）滤波器来去除ECG信号中的非平稳噪声。利用R/S技术对每一个IMF估计了流行的非线性参数Hurst指数H。我们确定了一个独特的边界之间的正常和心律失常患者的第一IMF的H。我们的模型以94.92%的确定性通过诊断ECG信号证实了患者发生心律失常疾病的可能性，而无需执行其他昂贵且耗时的技术，如Holter测试，超声心动图和负荷测试。
2020-02-10 eess.SP stat.ME
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
Deep Learning-Based Arrhythmia Detection Using RR-Interval Framed Electrocardiograms
应用于心电图（ECG）数据的深度学习可用于实现生物识别安全应用中的个人认证，但尚未广泛用于诊断心血管疾病。我们开发了一种用于心律失常检测的深度学习模型，其中表示连续R峰之间距离的时间切片ECG数据用作卷积神经网络（CNN）的输入。主要目标是开发基于紧凑型深度学习的检测系统，该系统最大限度地使用数据集，但提供心律失常检测的置信准确率。这种紧凑的系统可以在可穿戴设备或实时监测设备中实现，因为对于复杂的ECG波形不需要特征提取步骤，仅需要R峰数据。这两项测试的结果表明，紧凑型心律失常检测系统（CADS）在连续两次测试运行中与传统系统的心律失常检测性能相匹配。CADS的所有功能都在MATLAB中完全实现并公开提供。
2020-12-01 cs.LG eess.SP stat.ML
rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）；All India Institute of Medical Sciences（全印度医学科学研究所）
针对患者特征造成的 ECG 变异，本文提出融合心搏形态与人口统计学信息的 rECGnition_v1.0 多模态框架，并在多个 ECG 数据集上验证了高精度与跨库泛化能力。
2024-10-09 cs.AI cs.LG eess.SP
Snippet Policy Network for Multi-class Varied-length ECG Early Classification
National Yang Ming Chiao Tung University（国立阳明交通大学）；Oklahoma State University（俄克拉荷马州立大学）
从心电图中检测心律失常是心血管疾病预防和诊断的重要研究课题。目前的研究将心电图中的心律失常检测归结为一个时间序列分类问题。同时，心律失常的早期检测提出了早期预防和诊断的现实需求。在本文中，我们解决了心血管疾病的早期分类问题，这是一个变长度和长长度的时间序列的早期分类问题。为了解决这个问题，我们提出了一个基于深度强化学习的框架，即Snippet策略网络（SPN），由四个模块组成，片段生成器，骨干网络，控制代理，和过滤器。与现有方法相比，该框架具有输入长度灵活的特点，解决了提前性和准确性目标的双重优化问题。实验结果表明，该算法的识别准确率达到80%以上.与最先进的方法相比，所提出的SPN在不同的指标上至少有7%的改进，包括精确度，召回率，F1分数和调和平均值。据我们所知，这是第一个工作集中在解决心血管早期分类问题的基础上，不同长度的ECG数据。基于SPN的这些优良特性，它为解决各种变长时间序列的早期分类问题提供了一个很好的范例。
2021-07-28 cs.LG eess.SP
Multi-Window Temporal Analysis for Enhanced Arrhythmia Classification: Leveraging Long-Range Dependencies in Electrocardiogram Signals
AI4Health Department, Oldenburg University（奥尔登堡大学AI4Health部门）；Department of Cardiology, Angiology and Intensive Care Medicine, Charité Campus Mitte, German Heart Center of the Charité-University Medicine Berlin（查理医院梅特校区心内科、血管科和重症医学科，查理-柏林大学医学中心心脏中心）
S4ECG通过多窗口分析提升心律失常分类准确性和跨数据集鲁棒性，优化时间窗口至10-20分钟。
2026-02-12 cs.LG 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
Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network
School of Electronic Science and Engineering Southeast University（东南大学电子科学与工程学院）；Southeast University（东南大学）
针对现有深度学习心电分类算法模型复杂、难以部署在资源受限的可穿戴AIoT设备上的问题，提出一种超轻量级二值神经网络，可实现5类和17类心律失常高精度分类，存储占用极低，适配硬件部署，为可穿戴医疗设备提供技术支撑。
2023-08-25 cs.LG eess.SP
Finding "Good Views" of Electrocardiogram Signals for Inferring Abnormalities in Cardiac Condition
MIT（麻省理工学院）；CSAIL（计算机科学与人工智能实验室）；EECS（电气工程与计算机科学系）；Political Science（政治学系）；IDSS（数据、系统与社会研究所）
针对心电图心律失常检测中对比学习正样本定义的开放问题，研究时空不变性等多种正样本匹配方式，发现对患者身份不变的学习表示在下游分类任务中性能最优，并开源代码。
2024-11-11 cs.LG eess.SP
Development Of Automated Cardiac Arrhythmia Detection Methods Using Single Channel ECG Signal
本研究提出一种基于单通道ECG信号的多类心律失常检测算法，结合HRV、形态学及小波系数特征并利用随机森林分类器，在4个Physionet数据库上实现了高达90.91%的准确率，并在Raspberry Pi上完成了硬件实时分类。
2023-07-23 eess.IV eess.SP
Inter- and intra- patient ECG heartbeat classification for arrhythmia detection: a sequence to sequence deep learning approach
心电图信号是研究心脏功能和诊断异常心律失常的常用而有力的工具。虽然心律失常分类方法已经有了显着的改进，但它们仍然不能在检测不同心脏状况时提供可接受的性能，特别是在处理不平衡数据集时。在本文中，我们提出了一种解决方案，以解决当前分类方法的这一限制，通过开发一种使用深度卷积神经网络和序列到序列模型的自动心跳分类方法。我们在MIT-BIH心律失常数据库上评估了所提出的方法，考虑了患者内和患者间范例以及AAMI EC 57标准。两个范例的评估结果表明，我们的方法达到了最好的性能在文献中（对于患者内方案，S类的阳性预测值为96.46%，灵敏度为100%，F类的阳性预测值为98.68%，灵敏度为97.40%;对于患者间方案，S类的阳性预测值为92.57%，灵敏度为88.94%，V类的阳性预测值为99.50%，灵敏度为99.94%）。源代码可在https://github.com/SajadMo/ECG-Heartbeat-Classification-seq2seq-model上获得。
2019-03-12 eess.SP physics.med-ph q-bio.QM
Leveraging Visibility Graphs for Enhanced Arrhythmia Classification with Graph Convolutional Networks
Federal University of Ouro Preto（欧鲁普雷图联邦大学）
针对心律失常分类中ECG信号图表示的挑战，本研究提出将可见性图（VG）和向量可见性图（VVG）与图卷积网络（GCNs）结合，在MIT-BIH数据集上实现无需预处理的直接分类，VG提升效率、VVG增强性能，优于基线方法但仍存在特定类别分类挑战。
2024-12-04 cs.CV cs.LG eess.SP
A Deep Bayesian Neural Network for Cardiac Arrhythmia Classification with Rejection from ECG Recordings
Zhejiang University（浙江大学）；The First Affiliated Hospital of University of Science and Technology of China（中国科学技术大学附属第一医院）；HeartVoice Medical Technology（心声医疗科技）；University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）
随着基于深度学习的方法的发展，心电图（ECG）的自动分类最近受到了广泛关注。尽管深度神经网络的有效性令人鼓舞，但输出信息的缺乏限制了临床医生的重新检查。如果不确定性估计与分类结果一起出现，心脏病专家可以更多地关注“不确定”病例。我们的研究目的是分类心电图拒绝的基础上，数据的不确定性和模型的不确定性。我们在真实世界的12导联ECG数据集上进行实验。首先，我们基于贝叶斯神经网络，对每个分类预测使用蒙特卡罗丢弃估计不确定性。然后，我们接受在给定阈值下具有不确定性的预测，并为临床医生提供“不确定”的病例。此外，我们使用不同的阈值进行模拟实验。最后，在临床医生的帮助下，我们进行案例研究，以解释大的不确定性和不正确的预测与小的不确定性的结果。结果表明，正确的预测更有可能具有较小的不确定性，并且随着接受率的降低（即更多的拒绝），接受预测的性能得到改善。案例研究还有助于解释为什么拒绝可以提高绩效。我们的研究有助于神经网络产生更准确的结果，并提供有关不确定性的信息，以更好地帮助临床医生进行诊断。它还可以在临床实施中实现基于深度学习的ECG解释。
2022-02-26 cs.AI cs.LG eess.SP
Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息学研究所）；Warsaw University of Technology（华沙理工大学）；Cracow University of Technology（克拉科夫理工大学）；Firat University（菲拉特大学）；Singapore University of Social Sciences（新加坡社会科学大学）；University of Southern Queensland（南昆士兰大学）；Ngee Ann Polytechnic（义安理工学院）；Asia University（亚洲大学）；Kumamoto University（熊本大学）；National Heart Centre Singapore（新加坡国家心脏中心）
心电图（ECG）信号的解释是诊断心律失常所必需的。近来，机器学习技术已经被应用于自动化计算机辅助诊断。机器学习任务可以分为回归和分类。回归可用于去除噪声和伪影，以及解决低采样频率的缺失数据问题。分类任务涉及根据专家标记的输入类预测输出诊断类。在这项工作中，我们提出了一个能够解决回归和分类任务的深度神经网络模型。此外，我们结合这两种方法，使用未标记和标记的数据，训练模型。我们在MIT-BIH心律失常数据库上测试了该模型。我们的方法在检测心律失常的基础上修改的导联II ECG记录，以及实现高质量的ECG信号近似的有效性。对于前者，我们的方法达到了87：33%的整体精度和80：54%的平衡精度，与参考方法相当。对于后者，自监督学习的应用允许在不需要专家标签的情况下进行训练。回归模型取得了令人满意的性能与相当准确的预测QRS波群。将知识从回归转移到分类任务中，我们的方法获得了更高的整体准确率，为87：78%。
2022-10-25 cs.LG eess.SP
FPGA Implementation of ECG feature extraction using Time domain analysis
采用Xilinx公司的Virtex-6 FPGA开发了一个心电图（ECG）特征提取系统。在时域上，采用Pan-Tompkins算法进行QRS波检测，然后用特征提取模块提取ECG特征。整个系统可用于检测心律失常。在Virtex-6（XC 6VLX 240-T）设备上实现了完整的算法，并在Modelsim和simulink环境下进行了硬件联合仿真测试。软件生成的ECG信号来自MIT-BIH心律失常数据库[1]。记录了实现设计的内存和时间复杂度，并进行了特征提取。我们取得了令人满意的结果，这主要是由于并行实施。因此，利用硬件实现准确的心律失常检测是一种可行的方法.
2018-02-08 cs.AR eess.SP
Supraventricular Tachycardia Detection and Classification Model of ECG signal Using Machine Learning
IIEST, Shibpur（印度理工学院希布普尔分校）；IIT Dhanbad（印度理工学院丹巴德分校）
心电图（ECG）信号的研究是诊断心脏疾病的重要手段，因为ECG过程是无创的，易于使用。这项工作提出了一个室上性心律失常预测模型，包括几个阶段，包括过滤噪声，一个独特的收集心电图特征，和自动学习分类模型，以分类不同的类型，根据其严重程度。我们对信号进行去趋势化和去噪处理，以减少噪声，从而在执行提取之前更好地确定功能。在此基础上，提出了一种R峰检测方法和Q-S检测方法，作为必要的特征提取的一部分。接下来计算对应于这些特征的参数。利用这些特征，我们开发了一种基于机器学习的分类模型，可以成功地对不同类型的室上性心动过速进行分类。我们的研究结果表明，基于决策树的模型是室上性心动过速心律失常最有效的机器学习模型。在所有机器学习模型中，该模型最有效地降低了室上性心动过速的关键信号错误分类。实验结果表明，令人满意的改进，并证明了所提出的方法具有97%的准确率优越的效率。
2021-12-24 cs.LG eess.SP
Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI
University of Lille（里尔大学）；ENSAIT（国立高等艺术与纺织工业学院）；GEMTEX–Laboratoire de Génie et Matériaux Textiles（纺织工程与材料实验室）；University of Kent（肯特大学）
深度学习在使用心电图（ECG）数据对不同心律失常进行分类方面发挥着至关重要的作用。然而，训练深度学习模型通常需要大量数据，并且可能导致隐私问题。不幸的是，大量的医疗保健数据无法从单个筒仓中轻松收集。此外，深度学习模型就像黑箱，预测结果无法解释，而这在临床医疗保健中经常需要。这限制了深度学习在现实世界卫生系统中的应用。在本文中，我们设计了一个新的可解释的人工智能（XAI）为基础的深度学习框架，在联邦设置为基于心电图的医疗保健应用程序。联邦设置用于解决数据可用性和隐私问题。此外，所提出的框架设置使用自动编码器和分类器有效地对心律失常进行分类，两者都基于卷积神经网络（CNN）。此外，我们提出了一个基于XAI的模块上提出的分类器来解释分类结果，这有助于临床医生做出快速和可靠的决策。使用MIT-BIH心律失常数据库对所提出的框架进行了训练和测试。分类器实现了高达94%和98%的心律失常检测使用噪声和干净的数据，分别与五倍交叉验证的准确性。
2022-01-10 cs.AI cs.LG eess.SP
An Event-Driven Compressive Neuromorphic System for Cardiac Arrhythmia Detection
可穿戴心电图（ECG）记录和处理系统已被开发出来，以检测心律失常，以帮助预防心脏病发作。然而，传统的可穿戴系统在电路和系统级别都遭受高能耗。为了克服设计的挑战，本文提出了一个事件驱动的压缩心电记录和神经形态处理系统的心律失常检测。该系统通过系统级协同设计和基于尖峰的信息表示实现了低功耗和高心律失常检测精度。记录系统采用事件驱动的电平交叉ADC（LC-ADC），利用心电信号的稀疏性实现压缩记录，节省ADC在无声信号期间的能量。同时，所提出的基于尖峰卷积神经网络（SCNN）的神经形态心律失常检测方法与LC-ADC基于尖峰的输出具有内在兼容性，从而在系统级实现准确检测和低能耗。仿真结果表明，在MIT-BIH数据集上，与Nyquist采样相比，采用5位LC-ADC的系统采样点数减少了88.6%，采用SCNN的系统心律失常检测准确率达到了93.59%，证明了LC-ADC的压缩能力和采用SCNN进行系统级协同设计的有效性.
2022-05-26 eess.SP
Deep conv-attention model for diagnosing left bundle branch block from 12-lead electrocardiograms
本研究提出一种结合1D dilated convolutional layers和注意力机制的深度学习模型，用于从12导联ECG数据中诊断左束支阻滞（LBBB），在10344个样本上实现98.80%准确率，有效辅助医疗诊断。
2023-06-26 cs.LG eess.SP
HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN
Universiti Malaysia Pahang（马来西亚彭亨大学）；Queensland University of Technology（昆士兰科技大学）；Islamic University（伊斯兰大学）；The University of Sydney（悉尼大学）；University of Cambridge（剑桥大学）；The Garvan Institute of Medical Research（加文医学研究所）；The University of Queensland（昆士兰大学）
本文提出HARDC混合模型，融合扩张CNN、BiGRU-BiLSTM与分层注意力，并借助CGAN增强数据，实现高精度心律失常分类并降低运行时间。
2023-03-06 cs.AI cs.LG eess.SP
Data Augmentation with GAN increases the Performance of Arrhythmia Classification for an Unbalanced Dataset
由于数据短缺问题，这是机器学习领域的主要问题之一，许多应用程序的准确性水平仍然远低于预期。它阻止研究人员利用现有数据开发新的基于人工智能的系统。这个问题可以通过用增强方法生成新的合成数据来解决。在这项研究中，新的心电图信号产生使用MIT-BIH心律失常数据库通过使用生成对抗神经网络（GAN），这是一种现代的数据增强方法。这些生成的数据被用于训练机器学习系统和真实的ECG数据用于测试它。所得到的结果表明，这种方式的机器学习系统的性能提高。
2023-02-24 cs.AI cs.LG eess.SP
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
Manifold Learning for Personalized and Label-Free Detection of Cardiac Arrhythmias
Department of Electrical and Computer Engineering, Princeton University, Princeton, 08544, New Jersey, USA（电气与计算机工程系，普林斯顿大学）；Princeton Precision Health, Princeton University, Princeton, 08544, New Jersey, USA（普林斯顿精准健康，普林斯顿大学）；Omenn-Darling Bioengineering Institute, Princeton University, 35 Ivy Lane, Princeton, 08540, New Jersey, USA（Omenn-Darling生物工程研究所，普林斯顿大学）
本文提出利用非线性降维方法在无监督条件下检测心律失常，通过MIT-BIH数据库验证，NLDR能有效区分正常与异常心跳，实现高准确率分类。
2026-04-23 cs.LG eess.SP
Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals
The University of Tennessee（田纳西大学）；University of Oklahoma Health Sciences Center（俄克拉荷马大学健康科学中心）
心脏病是美国人死亡的主要原因。准确的心脏病检测对于及时治疗以挽救患者的生命至关重要。常规使用心电图（ECG）是医生评估心脏电活动和检测可能的异常心脏状况的最常用方法。充分利用ECG数据进行可靠的心脏病检测取决于开发有效的分析模型。在本文中，我们提出了一个两级分层深度学习框架与生成对抗网络（GAN）的ECG信号的自动诊断。第一级模型由带GAN的内存增强深度自动编码器（MadeGAN）组成，旨在区分异常信号和正常ECG，以进行异常检测。第二级学习的目标是针对不同心律失常识别的鲁棒多类分类，这是通过将迁移学习技术与多分支结构相结合来实现的，以处理数据缺乏和不平衡的数据问题。我们使用来自MIT-BIH心律失常数据库的真实医疗数据来评估所提出的框架的性能。实验结果表明，我们提出的模型优于现有的方法，通常在当前的实践中使用。
2022-10-19 cs.LG eess.SP
ECG Heartbeat Classification Using Multimodal Fusion
Ryerson University（瑞尔森大学）
心电图（ECG）是诊断和应对心律失常和心肌梗死（MI）等严重心血管综合征的权威来源。当前的机器学习技术要么依赖于手动提取的特征，要么依赖于仅直接利用1D ECG信号的大型且复杂的深度学习网络。由于智能多模态融合可以在最先进的水平上使用高效的深度网络执行，因此，在本文中，我们提出了两种用于ECG心跳分类的计算高效的多模态融合框架，称为多模态图像融合（MIF）和多模态特征融合（MFF）。在这些框架的输入端，我们使用Gramian角场（GAF），递归图（RP）和马尔可夫转移场（MTF）将原始ECG数据转换为三种不同的图像。在MIF中，我们首先通过组合三种成像模态来执行图像融合，以创建单个图像模态，该图像模态用作卷积神经网络（CNN）的输入。在MFF中，我们从CNN的倒数第二层提取特征，并将它们融合，以获得更好的分类器性能所需的唯一且相互依赖的信息。这些信息特征最终被用来训练一个用于ECG心跳分类的支持向量机（SVM）分类器。我们通过在PhysioNets MIT-BIH数据集上进行实验来证明所提出的融合模型的优越性，该数据集用于五种不同的心律失常条件，这些心律失常条件与AAMI EC 57协议和PTB诊断数据集用于心肌梗死（MI）分类是一致的。我们在心律失常和MI分类上分别实现了99.7%和99.2%的分类准确率。
2021-07-21 cs.LG cs.NE 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
Icentia11K: An Unsupervised Representation Learning Dataset for Arrhythmia Subtype Discovery
Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）；Icentia（Icentia公司）；Polytechnique Montréal（蒙特利尔综合理工学院）
我们发布了最大的连续原始信号的公共ECG数据集，用于表示学习，包含1.1万名患者和20亿个标记的心跳。我们的目标是使半监督ECG模型，以及发现未知的心律失常和异常ECG信号事件的亚型。为此，我们提出了一个无监督的表示学习任务，以半监督的方式进行评估。我们为不同的特征提取器提供了一组基线，可以在此基础上构建。此外，我们对PCA嵌入的结果进行了定性评估，其中我们识别了一些已知亚型的聚类，表明在心律失常子类型发现中进行表征学习的潜力。
2019-10-21 cs.CV eess.SP q-bio.QM
Classification of ECG based on Hybrid Features using CNNs for Wearable Applications
University College Dublin（都柏林大学学院）；National University of Singapore（新加坡国立大学）
心源性猝死和心律失常占全世界所有死亡的很大比例。心电图（ECG）是最广泛使用的心血管疾病筛查工具。传统上，ECG信号是手动分类的，需要经验和很高的技能，同时耗时且容易出错。因此，机器学习算法由于其执行复杂数据分析的能力而被广泛采用。从ECG中的感兴趣点（主要是Q、R和S）导出的特征被广泛用于心律失常检测。在这项工作中，我们使用混合特征和三种不同的模型，在我们过去提出的1-D卷积神经网络（CNN）模型的基础上，证明了ECG分类的改进性能。在这项工作中提出的RR间期特征为基础的模型达到了98.98%的准确性，这是一个基线模型的改进。为了使模型不受噪声影响，我们使用频率特征更新了模型，并在存在噪声的情况下获得了良好的持续性能，准确率略低，为98.69%。此外，另一个模型相结合的频率特征和RR间隔特征的开发，实现了99%的高精度与良好的持续性能，在嘈杂的环境中。由于其高精度和抗噪性，该模型结合了多种混合功能，非常适合于流动可穿戴传感应用。
2022-06-14 cs.LG eess.SP
Advancing Few-Shot Pediatric Arrhythmia Classification with a Novel Contrastive Loss and Multimodal Learning
Faculty of Frontier Sciences, Harbin Institute of Technology（哈尔滨工业大学（深圳）前沿科学学院）
本文提出多模态端到端框架，结合体表ECG和心内电图信号，引入自适应全局类感知对比损失，提升少样本下儿童心律失常分类性能。
2026-03-30 cs.AI cs.LG eess.SP
rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics
Indian Institute of Technology Roorkee（鲁尔基印度理工学院）；All India Institute of Medical Sciences（全印度医学科学学院）
针对个体差异导致的心电图变异性，提出融合SACC、DPN与深度可分离卷积的rECGnition_v2.0模型，实现高精度、低计算成本的心律失常分类，并在多个数据集上超越现有方法。
2025-02-22 cs.AI cs.LG eess.SP
