首页/论文/2005.14115

arXiv 2005.141152020-05-29eess.SP

Amark：动态ECG数据的自动标记和处理技术

Amark: Automated Marking and Processing Techniques for Ambulatory ECG Data

Sharath Koorathota, Richard P. Sloan

备注：: 14 pages, 7 tables

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文介绍了MATLAB软件处理动态心电图数据的技术和规范。通过基于模板的心跳识别和简单的模式识别模型，对规则心跳之间的间隔，我们过滤波形和异位心跳的噪声部分。我们的端到端流程可用于分析ECG和计算心跳调整、删除和插值后的心率变异性指标。分类和噪声检测评估人类注释的MIT-BIH心律失常和噪声应力测试数据库。

英文摘要：

We describe techniques and specifications of MATLAB software to process ambulatory electrocardiogram (ECG) data. Through template-based beat identification and simple pattern recognition models on the intervals between regular heart beats, we filter noisy sections of waveform and ectopic beats. Our end-to-end process can be used towards analysis of ECG and calculation of heart rate variability metrics after beat adjustments, removals and interpolation. Classification and noise detection is assessed on the human-annotated MIT-BIH Arrythmia and Noise Stress Test Databases.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

可穿戴心电图质量评估：一种深度学习与动态环境感知方法

Wearable ECG Quality Assessment: A Deep Learning and Ambulatory Context-Awareness Approach

Technical University of Denmark（丹麦技术大学）

本文提出一种基于深度学习的信号质量评估模型，利用首个含物理与患者报告情境数据的动态心电图数据库训练，在多个数据库上表现稳定，并展示了结合情境数据研究复杂噪声的方法。

2026-09-25cs.AIeess.SP

ECG-DelNet：使用神经网络描述具有混合质量标记的动态心电图

ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks

Universitat Pompeu Fabra（庞培法布拉大学）；Biomedical Research Networking Center in Bioengineering, Biomaterials and Nanomedicine (CIBER-BBN)（生物工程、生物材料与纳米医学生物医学研究网络中心（CIBER-BBN））；Aragón Institute of Engineering Research（阿拉贡工程研究所）；University of Zaragoza（萨拉戈萨大学）

心电图（ECG）检测和描绘是临床实践中许多任务的关键步骤，因为ECG是用于评估心脏状况的最常用的非侵入性测试。最先进的算法采用数字信号处理（DSP），这需要费力的规则适应新的形态。相比之下，深度学习（DL）算法，尤其是用于分类的算法，在学术和工业环境中越来越重要。然而，缺乏模型的可解释性和小数据库阻碍了它们的适用性。我们证明DL可以成功地应用于低解释性任务，通过嵌入ECG检测和描绘到分割框架。为此，我们适应和验证了最常用的神经网络架构的图像分割，U-网络，一维数据。该模型使用PhysioNet的QT数据库进行训练，该数据库包括105个动态ECG记录，用于单导联和多导联场景。为了缓解数据稀缺性，尝试了数据正则化技术，例如使用低质量数据标签进行预训练，执行基于ECG的数据增强以及将强模型正则化器应用于架构。模型容量的其他变化（U-Net的深度和宽度），以及最先进的添加的应用，进行了评估。以5倍交叉验证方式对这些变化进行了彻底验证。性能最好的配置达到P波，QRS波和T波的精确度分别为90.12%，99.14%和98.25%，召回率分别为98.73%，99.94%和99.88%，与基于DSP的方法相当。尽管是一种在小数据集上训练的数据饥饿技术，但基于DL的方法被证明是传统的基于DSP的ECG处理技术的可行替代方案。

2020-05-11cs.LGeess.SPstat.ML

ECG-Scroll：用于动态心电图解读的长时程、流式基准与智能体环境

ECG-Scroll: A Long-Horizon, Streaming Benchmark and Agent Environment for Interpretation of Ambulatory Electrocardiograms

针对动态心电图长时程流式解读，提出 ECG-Scroll 基准与智能体环境，以在线决策方式评估记忆、工具使用和规划能力，并发布大规模数据集。

2026-09-29cs.AIcs.CLcs.LG

Negative-ResNet：噪声动态心电图信号分类方案

Negative-ResNet: Noisy Ambulatory Electrocardiogram Signal Classification Scheme

近年来，随着深度学习在计算机视觉和通用信号处理领域的成功应用，深度学习在医学信号处理领域显示出了许多独特的优势。然而，数据标签质量已成为人工智能应用中最重要的问题之一，特别是当它需要领域知识时（例如医学图像标签）。此外，在实际数据集中可能存在噪声标签，这可能会影响神经网络的训练过程。在这项工作中，我们提出了一种半监督算法，通过执行选择的正学习（PL）和负学习（NL）来训练带有噪声标签的数据样本。为了验证所提出的方案的有效性，我们设计了一个便携式心电图补丁- iRealCare -并应用该算法在现实生活中的数据集。我们的实验结果表明，我们可以达到91.0%的准确率，比使用ResNet的正常训练过程高出6.2%。我们的数据集中有65名患者，我们随机挑选了2名患者进行验证。

2022-01-25eess.SP

TFCDiff: 基于时频互补扩散的鲁棒心电图去噪

TFCDiff: Robust ECG Denoising via Time-Frequency Complementary Diffusion

Chongqing University of Technology（重庆理工大学）

提出时频互补扩散模型TFCDiff，在离散余弦变换域中利用噪声信号系数作为条件输入，结合时间特征增强机制，实现多拍心电图段落的鲁棒去噪，在合成数据和未见数据集上均达到最优性能。

2026-08-11eess.SP

一种基于深度学习的ECG分析的新型端到端数字健康系统

A Novel end-to-end Digital Health System Using Deep Learning-based ECG Analysis

KIOS Research and Innovation Center of Excellence (KIOS CoE)（KIOS研究与创新中心（KIOS CoE））；University of Cyprus（塞浦路斯大学）；MEDTL Medical Technologies Ltd.（MEDTL医疗技术有限公司）；Department of Computer Science, University of Cyprus（塞浦路斯大学计算机科学系）

本文提出AI-HEART系统，通过深度学习处理长期动态ECG数据，实现自动心律分析与临床决策支持，提升心律分类的准确性和实用性。

2026-02-28cs.AIcs.HCcs.LG

更多相关论文收起更多论文

IoT传感器的广义信号质量估计方法

A Generalized Signal Quality Estimation Method for IoT Sensors

人们普遍预计物联网可穿戴设备将降低个人医疗保健的成本和风险。然而，从这样的设备收集的动态数据通常被严重的噪声破坏或污染。信号质量指示器（SQI）可以用于评估从可穿戴设备获得的数据的质量，使得可以防止不可用数据的传输/存储。本文介绍了一种新的和广义的SQI，它可以在边缘设备上实现，用于检测观察下的任何准周期信号的质量，而不管存在的噪声类型。该SQI的心电图（ECG）信号的应用进行了研究。从进行的分析，它被发现，建议的广义SQI是适合于ECG信号的质量评估，并表现出在所有的噪声条件下，在中高信噪比区域的线性行为。所提出的SQI用于CinC Physionet 2011挑战数据集中ECG记录的可接受性测试，发现90.4%的记录准确，同时计算复杂性最小。

2020-02-04eess.SP

DeepFilter：使用深度学习技术的ECG基线漂移去除滤波器

DeepFilter: an ECG baseline wander removal filter using deep learning techniques

根据世界卫生组织的数据，每年约有36%的死亡与心血管疾病有关，90%的心脏病发作是可以预防的。动态心电图、运动负荷试验和静息状态下的心电图信号分析可用于心血管疾病诊断。然而，在采集过程中，存在各种可能损害信号质量的噪声，从而损害其诊断潜力。基线漂移是最不受欢迎的噪声之一。在这项工作中，我们提出了一种使用深度学习技术进行BLW噪声滤波的新算法。使用来自Physionet的QT数据库和MIT-BIH噪声应力测试数据库验证模型性能。此外，还使用传统过滤程序和深度学习技术对最先进的方法进行了几次比较实验。所提出的方法在四个相似性度量上得到最好的结果：平方距离之和、最大绝对平方、根距离百分比和余弦相似性，分别为4.29（6.35）au、0.34（0.25）au、45.35（29.69）au和91.46（8.61）au。这项工作的源代码，包含我们的方法和相关实现，可以在Github上免费获得。

2021-01-12eess.SP

基于CNN混合特征的ECG分类

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。

2022-06-14cs.LGeess.SP

领域自适应心律分类：基于混合变换器的可穿戴心脏信号

Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals

School of Electrical and Computer Engineering, University of Tehran（德黑兰大学电气与计算机工程学院）

本文提出一种混合变换器模型，通过结合连续ECG信号和七种心率变异性特征，利用领域自适应技术提升可穿戴设备数据的分类性能，实现95%的F1-macro和96.15%的平衡准确率。

2026-05-05cs.LGeess.SP

生成合成心电图和光电容积脉搏波图的灵活框架

Flexible framework for generating synthetic electrocardiograms and photoplethysmograms

University of Turku（图尔库大学）；University of Leeds（利兹大学）

本文提出一种生成合成ECG和PPG生物信号的灵活框架，该模型能模拟生理效应并自动生成噪声和分割标签，实验证明使用该生成器训练的LSTM R峰检测模型F1分数达0.98，显著优于仅用真实数据的0.83。

2024-08-29cs.LGeess.SP