Effects of lead position, cardiac rhythm variation and drug-induced QT prolongation on performance of machine learning methods for ECG processing
Ufa State Aviation Technical University（乌法国立航空技术大学）；Bashkir State Pedagogical University（巴什基尔国立师范大学）；Ural Federal University（乌拉尔联邦大学）；Institute of Immunology and Physiology UrB RAS（俄罗斯科学院乌拉尔分院免疫学与生理学研究所）
机器学习在心电图（ECG）信号分析的各种问题中表现出很好的性能。然而，为生物医学工程收集数据集是一项非常困难的任务。用于ECG处理的任何数据集包含的病例数都比用于图像或文本分析的数据集少100到10，000倍。这个问题是特别重要的，因为生理现象，可以显着改变ECG信号中的心跳的形态。在这项初步研究中，我们分析了标准ECG记录中导联选择的影响，24小时内ECG的变化，以及QT延长剂对ECG处理机器学习方法性能的影响。我们选择受试者识别的问题进行分析，因为这个问题可以解决几乎任何可用的ECG数据集。在讨论中，我们将我们的发现与其他使用机器学习进行ECG处理的作品的观察结果进行了比较，这些作品具有不同的问题陈述。我们的研究结果表明，在特定的生理条件下获得的ECG信号的训练数据集富集的重要性，以获得良好的性能的ECG处理的实际应用。
2020-02-16 cs.LG eess.SP
Interpretable Stress Detection from ECG Signals Using Motif-Based Anomaly Analysis
Zaven P. and Sonia Akian College of Science & Engineering, American University of Armenia（美国亚美尼亚大学扎文·P.与索尼娅·阿基扬科学与工程学院）
提出基于基序发现与矩阵轮廓分析的可解释个性化心电压力检测框架，无需训练分类器，通过异常评分检测压力，在WESAD数据集上验证了有效性并揭示个体差异。
2026-09-22 cs.LG eess.SP
MorphologyFM: A Foundation Model for Morphology-Aware Representation Learning from ECG and Pulse Oximetry Waveforms
University of the Chinese Academy of Sciences（中国科学院大学）；Columbia University（哥伦比亚大学）
研究针对现有生理波形方法未保留临床意义波形形态的问题，提出多模态基础模型MorphologyFM，通过形态感知自监督学习目标预训练，结合多种技术学习相关表示，在多下游任务中表现优于其他方法，证明联合建模更具可转移性。
2026-07-14 cs.AI cs.LG eess.SP
A Masked Representation Learning to Model Cardiac Functions Using Multiple Physiological Signals
Seoul National University Hospital（首尔国立大学医院）；Seoul National University（首尔国立大学）；KAIST AI（韩国科学技术院人工智能研究所）
本文提出SNUPHY-M模型，利用自监督掩码表示学习整合ECG、PPG和ABP信号，提取丰富心脏特征，在低血压等临床预测任务中显著优于现有方法，实现非侵入性血流动力学监测。
2025-08-26 cs.LG eess.SP
Convolutional Fourier Analysis Network (CFAN): A Unified Time-Frequency Approach for ECG Classification
University of São Paulo（圣保罗大学）
本文提出 CFAN，通过 CONV-FAN 模块将傅里叶原理嵌入 CNN，实现无需频谱图转换的联合时频学习，并在三个 ECG 任务上达到最先进准确率。
2025-05-14 cs.LG eess.SP
ECG Classification with a Convolutional Recurrent Neural Network
Swiss Center for Electronics and Microtechnology (CSEM)（瑞士电子与微技术中心）
我们开发了一个卷积循环神经网络来对12导联ECG信号进行分类，以应对2020年心脏病学生理网络/计算的挑战。该模型结合了卷积层和递归层，以ECG信号的滑动窗口作为输入，并产生每个类别的概率作为输出。卷积部分从每个滑动窗口提取特征。双向门控递归单元（GRU）层和注意力层将来自所有窗口的这些特征聚合到单个特征向量中。最后，密集层输出类概率。最后的决定是使用测试时间增加（TTA）和优化的决策阈值。我们的架构的几个超参数进行了优化，其中最重要的是优化器的选择和每个卷积层的过滤器数量。我们的网络在隐藏验证集上的挑战得分为0.511，在完整隐藏测试集上的挑战得分为0.167，在官方排名中，我们在41个网络中排名第23位。
2020-10-06 cs.LG eess.SP
Classification of Cardiac Arrhythmias from Single Lead ECG with a Convolutional Recurrent Neural Network
Swiss Center for Electronics and Microtechnology (CSEM)（瑞士电子与微技术中心）
虽然大多数心律失常不会立即造成伤害，但它们可能导致严重的并发症。特别是，心房纤颤，最常见的心律失常，其特征在于快速和不规则的心跳，并增加患中风的风险。为了检测这种异常的心脏状况，我们提出了一个由两个主要部分组成的系统：一个带有两个合作传感器的智能背心来收集ECG数据，一个神经网络架构来对心律进行分类。智能背心使用两个干燥的双电极来记录单导联ECG信号。然后，生物电位信号通过网关流传输到云端，在那里神经网络检测并分类心律失常。我们选择了一个结合了卷积层和递归层的架构。卷积层从ECG的滑动窗口中提取相关特征，递归层将其聚合为执行分类的最终softmax层。我们的神经网络在2017年心脏病学计算挑战的数据集上实现了87.50%的准确率。
2019-06-25 cs.LG eess.SP
ECG beat classification using machine learning and pre-trained convolutional neural networks
National Heart, Lung, and Blood Institute（美国国家心肺血液研究所）
心电图（ECG）在医院中常规用于分析个人的心血管状态和健康状况。心律失常可能是更严重的疾病的前兆，包括心脏性猝死。对异常节律进行分类是一个容易出错的费力过程。因此，非常需要以高精度执行自动分类的工具。本研究基于AAMI EC 57标准并使用MIT-BIH数据集对五种不同类型的ECG心律失常进行分类。这些包括非异位（正常）、室上性、心室性、融合和未知搏动。通过适当地将预处理的ECG波形转换为丰富的特征空间以及适当的后处理，并在微调和超参数选择后利用深度卷积神经网络，可以获得对五种波形类型的高度准确的分类。测试集的性能表明更高的整体准确性（98.62%），以及更好的性能，在分类的五个波形比迄今为止在文献中报道。
2022-06-14 cs.LG eess.SP
Emotion Recognition from Physiological Signals Using Machine Learning Algorithms Under Controlled Emotional Stimuli
Data Science Research Centre Tampere University（坦佩雷大学数据科学研究中心）
该研究在受控情绪刺激下，以ECG和GSR为数据，提取时域与频域特征，用XGBoost、Random Forest等树基模型开展情绪分类，发现ECG+GSR特征集组合性能最优，为情绪识别系统提供了支撑。
2026-09-07 eess.SP
SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification
Technion - Israel Institute of Technology（以色列理工学院）；Google Research（谷歌研究院）
为监督任务生成训练示例是人工智能长期追求的目标。研究了用于改进心跳分类的心脏信号心电图（ECG）合成问题。ECG合成具有挑战性：由于这种生物-生理系统的动态特性，其中系统的各个部分以复杂的方式相互作用，因此生成用于这种生物-生理系统的训练示例并不简单。然而，多年来人们已经以数学过程模拟器的形式对这些动态特性进行了深入的了解。我们研究如何将这些知识纳入生成过程中，利用生物模拟器的任务，心电图分类。具体来说，我们使用一个表示心脏动力学的常微分方程系统，并将这个ODE系统纳入生成对抗网络的优化过程中，以创建生物学上合理的ECG训练示例。我们进行了实证评估，并表明在生成过程中的心脏模拟知识提高了ECG分类。
2020-06-27 cs.LG eess.SP
Choosing a sampling frequency for ECG QRS detection using convolutional networks
Deakin University（迪肯大学）
自动QRS检测方法依赖于以特定频率采样的ECG数据，而不管基于滤波器的传统方法还是基于卷积网络（CNN）的深度学习方法。这些方法首先需要选择它们工作的采样频率。在处理来自以不同频率采样的两个不同数据集的数据时，通常，来自两个数据集的数据可能需要以共同的目标频率重新采样，该频率可以是任一数据集的频率，也可以是不同的频率。然而，选择以特定频率采样的数据可能会影响模型的泛化能力和复杂性。有一些研究调查了ECG样本频率对传统基于滤波器的方法的影响，但是，ECG样本频率对基于深度学习的模型（卷积网络）的影响的广泛研究，探索其通用性和复杂性尚未得到探索。该实验研究调查了六种不同的采样频率（50，100，250，500，1000和2000 Hz）对四种不同的基于卷积网络的模型的通用性和复杂性的影响，以便为特定性能要求的QRS检测任务确定适当的采样频率。数据库内测试报告，从100 Hz到250 Hz，准确度提高不超过约0.6\%，并且所有基于CNN的模型的这两个频率的四分位数范围较短。研究结果表明，基于卷积网络的深度学习模型能够在低至100 Hz或250 Hz的频率下采样的ECG信号上获得更高水平的检测准确度，同时保持较低的模型复杂度（可训练参数的数量和训练时间）。
2020-07-04 cs.LG eess.SP
ECG Artifact Removal from Single-Channel Surface EMG Using Fully Convolutional Networks
National Taiwan University（国立台湾大学）；Academia Sinica（中央研究院）；National Taiwan University of Science and Technology（国立台湾科技大学）
在表面肌电图（sEMG）应用中，当被测肌肉靠近心脏时，心电图（ECG）伪影污染经常发生。以往的研究已经发展并提出了各种方法，如高通滤波、模板减法等。然而，这些方法仍然受到参考信号的要求和原始表面肌电信号失真的限制。提出了一种基于全卷积神经网络的单通道表面肌电信号去噪方法。该方法采用去噪自编码器结构和神经网络强大的非线性映射能力对表面肌电信号进行去噪。我们将所提出的方法与传统方法（包括高通滤波器和模板减法）在称为非侵入性自适应假体数据库和MIT-BIH正常窦性心律数据库的开放数据集上进行了比较。实验结果表明，在较宽的信噪比输入范围内，FCN的表面肌电信号重建质量优于传统方法。
2022-10-24 cs.LG eess.SP
In-ear ECG Signal Enhancement with Denoising Convolutional Autoencoders
UKRI Centre for Doctoral Training in AI for Healthcare（UKRI医疗人工智能博士培训中心）；Imperial College London（帝国理工学院）；National Heart and Lung Institute（国家心肺研究所）
针对耳内 ECG 噪声强、特征提取困难的问题，提出 DCAE 去噪增强方法，在真实与合成数据上显著提升 SNR、心率估计和 R 峰检测性能。
2024-08-27 cs.LG eess.SP
High-Sensitivity Electric Potential Sensors for Non-Contact Monitoring of Physiological Signals
本文介绍了高灵敏度的无源电位传感器（EPS），用于非接触式检测多个生物物理信号，包括心电图（ECG），呼吸周期（RC），和脑电图（EEG）。所提出的EPS使用优化的跨阻抗放大器（TIA）、单个保护感测电极和自适应消除环路（ACL），以在存在电力线干扰（PLI）和运动伪影的情况下最大化灵敏度（DC跨阻抗$=150$ ~G $Ω$）。在嘈杂和无屏蔽的室内环境中对健康的成年志愿者进行了测试。经参考接触式传感器验证，ECG、RC和EEG测量的有用感知范围分别约为50 cm、100 cm和5 cm。ECG和RC信号也成功地测量通过木桌的受试者在睡眠样姿势。EPS与无线微控制器集成，以实现能够将采集的数据实时传输到远程基站的无线传感器节点。
2021-10-23 eess.SP
A spectral audit framework reveals task-dependent aperiodic reliance across EEG and ECG deep learning
Indian Knowledge Systems and Mental Health Applications (IKSMHA) Center, Indian Institute of Technology Mandi（印度理工学院曼迪分校印度知识体系与心理健康应用中心）；School of Computing and Electrical Engineering, Indian Institute of Technology Mandi（印度理工学院曼迪分校计算与电气工程学院）
提出频谱审计框架，结合非周期/周期分解、相位保持傅里叶干预等，发现深度学习模型对非周期成分的依赖是任务依赖且架构通用的，在睡眠-觉醒分类中影响显著，临床异常检测中中等，运动想象中最小，并扩展到ECG。
2026-06-16 cs.LG eess.SP
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
A Transformer Architecture for Stress Detection from ECG
Ingenuity Labs Research Institute（创造力实验室研究所）
心电图（ECG）已被广泛用于情感识别。本文提出了一种基于卷积层和Transformer机制的深度神经网络，用于使用ECG信号检测压力。我们在两个公开的数据集WESAD和SWELL-KW上进行了一个主题的实验，以评估我们的方法。我们的实验表明，该模型实现了强大的结果，可比或优于最先进的模型，基于心电图的压力检测这两个数据集。此外，我们的方法是端到端的，不需要手工制作的功能，并且可以只使用几个卷积块和Transformer组件来学习鲁棒的表示。
2021-08-22 cs.LG eess.SP
ECG Signal Denoising Using Multi-scale Patch Embedding and Transformers
Ohio State University（俄亥俄州立大学）
本文提出一种结合一维卷积层和Transformer的深度学习方法，通过多尺度补丁嵌入增强去噪能力，以提高ECG信号信噪比，用于心血管监测。
2024-07-12 cs.LG eess.SP
Q-Heart: ECG Question Answering via Knowledge-Informed Multimodal LLMs
Q-Heart 提出一种知识感知多模态框架，通过适配 ECG 编码器、ECG 感知映射层及历史报告检索增强大语言模型指令调优，在 ECG-QA 基准上以精确匹配准确率提升 4% 达到最先进性能。
2025-05-07 eess.SP
Kalman-based Spectro-Temporal ECG Analysis using Deep Convolutional Networks for Atrial Fibrillation Detection
Aalto University（阿尔托大学）
在这篇文章中，我们提出了一种新的ECG分类框架，用于使用频谱-时间表示（即，时变频谱）和深度卷积网络。在第一步中，我们使用贝叶斯频谱时间表示的基础上估计的时变系数的傅立叶级数使用卡尔曼滤波器和平滑。接下来，我们推导出一个替代模型的基础上，随机振荡器微分方程，以加速估计的频谱时间表示在漫长的信号。最后，在对不同卷积架构进行比较评估后，我们提出了一种高效的深度卷积神经网络来对2D频谱-时间ECG数据进行分类。ECG频谱-时间数据被分为四个不同的类别：AF、非AF正常节律（正常）、非AF异常节律（其他）和噪声段（噪声）。使用PhysioNet/Computing in Cardiology（CinC）2017数据集对所提出方法的性能进行评估和评分。实验结果表明，该方法达到了80.2%的整体F1分数，这是符合最先进的算法。
2018-12-12 cs.LG eess.SP stat.ML
CardioFusion-AI: Robust ECG--PPG Fusion for Multimodal Physiological Monitoring Under Signal Degradation
Saveetha School of Engineering（萨维塔工程学院）；Government Kilpauk Medical College and Hospital（政府基尔帕乌克医学院及医院）
本研究提出 CardioFusion-AI 框架，通过信号处理前端与自适应融合策略，在多模态生理信号退化场景下实现鲁棒监测，验证了其在不同退化条件下的性能表现。
2026-08-27 cs.LG eess.SP q-bio.QM
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
Does the Heart Show Your Pain? Tackling the X-ITE Pain Challenge with Self-Supervised ECG Representation Learning
Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学）
本研究针对X-ITE疼痛挑战赛，结合自监督心电表示学习与多模态预训练，分析疼痛识别中的心电信号特性，为可穿戴疼痛监测提供了基础。
2026-08-18 cs.AI cs.LG eess.SP
Effective classification of ECG signals using enhanced convolutional neural network in IOT
提出了一种基于物联网技术的心电监护方法。提出了一种基于动态源路由（DSR）和能量和链路质量路由（REL）的物联网医疗平台路由系统。此外，人工神经网络（ANN），支持向量机（SVM），卷积神经网络（CNN）为基础的心电图信号分类的方法进行了测试。Deep-ECG将采用深度CNN来提取重要特征，然后使用简单快速的距离函数进行比较，以便有效地对心脏问题进行分类。这项工作已经提出了算法，从移动手表用户采集的ECG数据的分类，以识别异常数据。麻省理工学院（MIT）和贝斯以色列医院（MIT/BIH）心律失常数据库已被用于实验验证所提出的方法。实验结果表明，该策略在分类精度方面优于其他策略。
2022-02-08 cs.AI cs.LG eess.SP
Towards automated optimisation of residual convolutional neural networks for electrocardiogram classification
University of Sfax（斯法克斯大学）；National Engineering School of Sfax (ENIS)（斯法克斯国家工程学院）；Faculty of Science of Sfax (FSS)（斯法克斯科学学院）
心电图（ECG）的解释提供了临床信息，并有助于评估心脏功能。有不同的心电图模式与特定类别的心律失常。卷积神经网络是目前用于ECG处理的最常用的深度学习算法之一。然而，深度学习模型需要许多超参数来调整。为卷积神经网络算法选择最优或最佳超参数是一项极具挑战性的任务。通常，我们最终会使用不同的可能值范围手动调整模型，直到获得最佳拟合模型。使用贝叶斯优化（BO）和进化算法的自动超参数调整可以为当前劳动密集型手动配置方法提供有效的解决方案。在本文中，我们提出在两个层次上优化残差一维卷积神经网络模型（R-1D-CNN）。在第一级，训练残差卷积层和一维卷积神经层以学习患者特定的ECG特征，多层感知器层可以通过这些特征学习以产生每个输入的最终类向量。此级别是手动的，旨在降低搜索空间。第二层是自动的，基于我们提出的基于BO的算法。我们提出的优化R-1D-CNN架构在两个公开可用的ECG数据集上进行了评估。对比实验结果表明，我们的基于BO的算法达到了99.95%的最优率，而基线模型达到99.70%的MIT-BIH数据库。此外，实验表明，所提出的架构与BO微调实现了更高的精度比其他提出的架构。与以前在基准数据集上的工作相比，我们优化的架构取得了优异的结果。
2022-01-28 cs.LG eess.SP
Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network
Liverpool John Moores University（利物浦约翰摩尔斯大学）
本文的研究提出了一种一维卷积神经网络（1DCNN）模型，用于从单通道心电图（ECG）信号中捕获的阻塞性睡眠呼吸暂停（OSA）的自动检测。该系统在临床实践中提供了帮助诊断患有OSA的患者的机制。使用1DCNN中最先进的技术，使用卷积，最大池化层和由隐藏层和SoftMax输出组成的全连接多层感知器（MLP）构建模型进行分类。1DCNN提取显著特征，其用于训练MLP。该模型使用分割的ECG信号进行训练，这些信号被分组为具有设定窗口大小的5个唯一数据集。从包含70个夜间心电图记录的注释数据库中选择了35个心电图信号记录。（A组= a01至a20（呼吸暂停），B组= b01至b05（中度），C组= c01至c10（正常）。共记录了6514分钟的呼吸暂停。使用一组标准度量对模型进行评估，这些标准度量显示所提出的模型在使用我们的窗口策略的训练和验证中均实现了高分类结果，特别是W=500（灵敏度0.9705，特异性0.9725，F1得分0.9717，Kappa得分0.9430，对数损失0.0836，ROCAUC 0.9945）。这表明该模型可以高度准确地识别呼吸暂停的存在。
2020-02-03 cs.LG eess.SP stat.ML
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
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
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
Deep Convolutional Neural Networks for Noise Detection in ECGs
Stanford Online High School（斯坦福在线高中）；AliveCor, Inc.（AliveCor公司）
移动心电图（ECG）记录技术是一种很有前途的工具，可用于防治正在流行的心血管疾病，心血管疾病在全球造成的死亡人数超过任何其他原因。虽然在任何时间任何地点监测心脏活动的能力是这些技术的一个关键优势，但它也是一个缺点的原因：由于环境因素引起的信号噪声可能使ECG难以辨认。在这项工作中，我们开发了卷积神经网络（CNN）来自动标记ECG的噪声，并在一个新的噪声注释数据集上训练它们。通过减少信号的噪声间隔的干扰，这种网络有可能提高用于检测心房颤动、长QT综合征和其他心血管疾病的模型的准确性。比较几种架构，我们发现从VGG16网络改编的16层CNN在10秒输入上每秒生成一个预测，在这项任务中表现非常好，AUC为0.977。
2018-10-05 cs.LG cs.NE 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
Automatic Diagnosis of Short-Duration 12-Lead ECG using a Deep Convolutional Network
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Uppsala University（乌普萨拉大学）；Telehealth Center from Hospital das Clínicas da Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学医院临床中心远程医疗中心）；Hospital das Clínicas da Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学医院临床中心（注：此处原文本中“Telehealth Center from Hospital das Clínicas da Universidade Federal de Minas Gerais”中的“Hospital das Clínicas da Universidade Federal de Minas Gerais”是更基础的机构，按要求提取到大学级别或包含的独立机构，此处直接提取该医院作为机构名））
我们提出了一个模型，用于预测心电图（ECG）异常的短时间12导联心电图信号，超过了医生的第4年，他们的心脏病住院医师。这种检查可以提供对心脏活动的全面评估，并且在以前的端到端机器学习论文中没有研究过。使用大型远程医疗网络的数据库，我们建立了一个新的数据集，其中包含超过200万个ECG描记，比以前的研究中使用的数据大几个数量级。此外，我们的数据集更真实，因为它包括标准诊所检查期间记录的12导联ECG。使用这些数据，我们训练了一个具有9个卷积层的残差神经网络，将7到10秒的ECG信号映射到6类ECG异常。未来的工作应该扩展这些结果，以涵盖大范围的心电图异常，这可以提高这种诊断工具的可及性，避免医生的错误诊断。
2019-02-17 cs.HC cs.LG eess.SP
Robust R-Peak Detection in Low-Quality Holter ECGs using 1D Convolutional Neural Network
Qatar University（卡塔尔大学）；Izmir University of Economics（伊兹密尔经济大学）；Tampere University（坦佩雷大学）
从Holter或可穿戴设备采集的ECG信号的噪声和低质量恶化了R峰检测算法的准确性和鲁棒性。本文提出了一种通用且鲁棒的动态心电图信号R峰检测系统。虽然许多提出的算法已经成功地解决了ECG R峰检测的问题，但这些检测器在这种低质量ECG记录上的性能仍然存在显著的差距。因此，在这项研究中，一维卷积神经网络（CNN）的一种新的实现与验证模型集成使用，以减少误报的数量。该CNN架构由编码器块和对应的解码器块组成，随后是逐样本分类层，以从输入ECG信号构建R峰的1D分割图。一旦所提出的模型已经被训练，它可以单独用于快速和准确地检测可能在单通道ECG数据流中的R峰，或者可替代地，这样的解决方案可以方便地用于在轻量级便携式设备上的实时监测。该模型在两个开放访问的ECG数据库上进行了测试：中国生理信号挑战（2020）数据库（CPSC-DB）超过一百万次心跳，以及常用的MIT-BIH心律失常数据库（MIT-DB）。实验结果表明，所提出的系统方法在CPSC-DB中实现了99.30%的F1分数，99.69%的召回率和98.91%的准确率，这是有史以来最好的R峰检测性能。与所有竞争方法相比，所提出的方法可以减少Holter ECG信号中的假阳性和假阴性分别超过54%和82%。结果还表明，与MIT-DB上的大多数竞争算法相比，其性能相似或更好，F1分数为99.83%，召回率为99.85%，准确率为99.82…
2021-06-08 cs.CV cs.LG eess.SP
Data fusion of multivariate time series: Application to noisy 12-lead ECG signals
Northwest Minzu University（西北民族大学）
本文提出一种新的数据融合算法，通过局部加权线性预测算法将12导联心电图信号转换为单导联生理信号，并利用模糊推理系统估计加权系数，以提升信号质量。
2018-03-05 cs.SY eess.SP eess.SY
Diagnosing Cardiac Abnormalities from 12-Lead Electrocardiograms Using Enhanced Deep Convolutional Neural Networks
Rice University（莱斯大学）；Prudence Medical Technologies Ltd（审慎医疗技术有限公司）
我们训练一个增强的深度卷积神经网络，以便使用14000个ECG的数据集从标准12导联心电图（ECG）中识别8种心脏异常。与直接应用端到端的深度学习方法不同，我们发现用复杂的手工特征增强的深度卷积神经网络在减少泛化错误方面具有优势。此外，数据预处理和增强是必不可少的，因为八个心脏异常的分布在给定的数据集中是高度偏倚的。我们的方法取得了良好的推广性能，在第一届中国心电智能竞赛的竞争心电数据集上的实证评估，以验证我们的设计的有效性。
2019-08-15 cs.LG eess.IV eess.SP
Wavelet Integrated Convolutional Neural Network for ECG Signal Denoising
University of Yamanashi（山梨大学）
针对可穿戴干电极ECG测量的高强度噪声失真及频带重叠降噪难题，提出集成小波变换层的CNN模型提取干净ECG频率特征，低信噪比下降噪效率更优。
2025-01-12 cs.CV eess.SP
Graph-Based Spatio-temporal Attention and Multi-Scale Fusion for Clinically Interpretable, High-Fidelity Fetal ECG Extraction
University of Nevada, Las Vegas（内华达大学拉斯维加斯分校）
提出FHNet框架，融合图神经网络与多尺度Transformer，动态建模导联相关性，在低信噪比下高保真提取胎儿心电，性能优于现有模型，并具备临床可解释性。
2025-09-05 cs.LG eess.SP
Multi-Label ECG Classification using Temporal Convolutional Neural Network
针对12导联ECG多病共存识别，本文提出ATCNN集成与阈值化多标签决策框架，在PTBXL-2020上达到76.51%平均F1，并通过注意力机制提升可解释性。
2023-06-06 eess.SP
Denoising ECG by Adaptive Filter with Empirical Mode Decomposition
心电信号是一种重要的生理信号，蕴含着心脏的信息，是诊断心脏相关疾病的依据。本文提出了几种基于自适应滤波器和经验模式分解（EMD）的新颖有效的方法来去除受各种噪声污染的心电信号，包括基线漂移（BW）、电源线干扰（PLI）、电极运动伪影（EM）和肌肉伪影（MA）。本文首先提出了一种基于经验模态分解和自适应滤波的心电信号去噪方法。然后，我们将该方法扩展到复杂的情况下，四个最常见的噪声，PLI，BW，EM和MA存在。建议的并行EMD自适应滤波器结构产生最好的信噪比改善MIT-BIH心律失常数据库，损坏的四种类型的噪声。
2021-08-18 eess.SP
Identification of the Resting Position Based on EGG, ECG, Respiration Rate and SpO2 Using Stacked Ensemble Learning
Khulna University of Engineering & Technology（库尔纳工程技术大学）；Islamic University of Technology（伊斯兰技术大学）；University of Toronto（多伦多大学）
休息对于高水平的生理和心理表现至关重要。肌肉也需要修复，重建和加强。休息质量与休息姿势之间存在显著的相关性。因此，确定休息位置对保持健康的生活至关重要。休息姿势可以分为四个基本类别：仰卧（仰卧），面向左侧/右侧和自由落体姿势。后一种姿势已经被研究人员明确地认为是一种不健康的姿势，因此可以消除。在本文中，我们分析了其他三种状态的基础上收集的生理参数：胃电图（EGG），心电图（ECG），呼吸率，心率和血氧饱和度（SpO 2）。基于这些参数，使用使用决策树、随机森林和Xgboost算法设计的混合堆叠集成机器学习模型对休息位置进行分类。我们的研究表明，使用混合模型的休息位置的100%准确的预测。所提出的基于生理参数识别休息位置的方法具有集成到可穿戴设备中的潜力。这是一种低成本、高精度和自主的技术，用于监测身体姿势，同时通过消除常规用于进行多导睡眠图（睡眠监测）或休息姿势研究的RGB相机的使用来保持用户隐私。
2021-08-26 cs.AI cs.LG eess.SP
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
Inter-Patient ECG Classification with Convolutional and Recurrent Neural Networks
ECG传感器设备的最新进展为用户通过互联网进行自我管理的自动诊断和监测服务提供了机会。这对患者间和设备独立的通用ECG分类方法提出要求。在本文中，我们介绍了我们的工作，使用密集连接的卷积神经网络（DenseNet）和门控递归单元网络（GRU）来解决患者间ECG分类问题。提出了一种深度学习模型架构，并使用MIT-BIH心律失常和室上数据库进行了评估。所获得的结果表明，在不应用任何复杂的数据预处理或特征工程方法的情况下，我们的两个模型在看不见的测试数据集上都大大超过了室上性（SVEB）和室性（VEB）心律失常分类的最新性能（SVEB检测的F1评分从51.08提高到61.25，VEB检测的F1评分从88.59提高到89.75）。由于在这项工作的训练阶段没有使用患者特定或设备特定的信息，因此可以认为它是一种更通用的方法，用于处理使用不同类型的传感器设备从不同患者收集各种ECG信号的场景。
2018-09-27 eess.SP q-bio.QM
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
Blind ECG Restoration by Operational Cycle-GANs
心电图（ECG）信号的连续长期监测对于早期检测心律失常等心脏异常至关重要。由Holter和可穿戴ECG传感器采集的非临床ECG记录经常遭受严重的伪影，诸如基线漂移、信号切割、运动伪影、QRS幅度的变化、噪声和其他干扰。通常，一组这样的伪影以不同的严重性和持续时间出现在同一ECG信号上，这使得机器或医生的准确诊断非常困难。尽管有许多研究尝试了ECG去噪，但由于其简单和幼稚的噪声模型，它们自然无法恢复被这种伪影破坏的实际ECG信号。在这项研究中，我们提出了一种使用周期一致的生成对抗网络（Cycle-GAN）进行盲ECG恢复的新方法，无论破坏信号的伪影的类型和严重程度如何，信号的质量都可以提高到临床水平ECG。为了进一步提高恢复性能，我们提出了具有生成神经元模型的1D操作Cycle-GAN。所提出的方法已经使用来自中国生理信号挑战赛（CPSC-2020）的最大的基准ECG数据集之一进行了广泛的评估，超过一百万次心跳。除了定量和定性评估外，一组心脏病专家还进行了医学评估，以验证恢复的ECG的质量和可用性，特别是对于准确的心律失常诊断。
2022-01-29 cs.AI cs.LG eess.SP
Densely Connected Convolutional Networks and Signal Quality Analysis to Detect Atrial Fibrillation Using Short Single-Lead ECG Recordings
Philips Research North America（飞利浦北美研究院）；Advanced Algorithm Research Center, Philips Healthcare（飞利浦医疗先进算法研究中心）
新技术的发展，如可穿戴设备，记录高质量的单通道心电图，提供了一个机会，在更大的人群中进行心电图筛查，特别是房颤筛查。本研究的主要目标是开发一种自动分类算法，用于正常窦性心律（NSR）、房颤（AF）、其他心律（O）和来自单通道短ECG段（9-60秒）的噪声。为此，使用了信号质量指数（SQI）和密集卷积神经网络。使用训练数据集训练两个卷积神经网络（CNN）模型（接受15秒ECG的主模型和处理9秒更短ECG的辅助模型）。如果录音被SQI确定为低质量，则立即将其归类为嘈杂。否则，将其转换为时频表示，并使用CNN将其分类为NSR、AF、O或噪声。在最后一步，基于特征的后处理算法将节律分类为NSR或O，以防CNN模型对两者的区分不确定。在PhysioNet/CinC挑战的正式阶段，盲法测试集获得的最佳结果为0.80（NSR、AF和O的F1分别为0.90、0.80和0.70）。
2017-10-10 cs.CV eess.SP stat.ML
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
Biomedical Signal Processing: EEG and ECG Classification with Discrete Wavelet Transforms, Energy Distribution, and Convolutional Neural Networks
本文提出一种多模态深度学习模型，利用离散小波变换降噪，并通过Gramian角场等方法将生物医学信号转为2D/3D图像，提高了ECG和EEG等信号的疾病分类准确率。
2025-08-12 eess.SP
ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction
提出ECG-SMART-NET，一种改进ResNet-18的深度学习架构，通过时间与空间卷积学习ECG特征，在OMI检测中AUC达0.953，优于现有模型。
2025-06-24 cs.AI cs.LG eess.SP
A Novel ECG Denoising Scheme Using the Ensemble Kalman Filter
心电图（ECG）监测提供重要信息以及任何心血管异常。可穿戴电子设备技术的最新进展使得紧凑型设备能够在家庭环境中获取个人生理信号;然而，信号通常被高水平噪声污染。因此，迫切需要一种有效的ECG滤波方案。本文提出了一种新的心电信号去噪方法-EnKF（Engraved卡尔曼滤波器）。我们还深入研究了各种滤波算法，包括Savitzky-Golay（SG）滤波器，Ensemble经验模式分解（EEMD），归一化最小均方（NLMS），递归最小二乘（RLS）滤波器，总变差去噪（TVD），小波和扩展的卡尔曼滤波器（EKF）进行比较。使用了来自MIT-BIH噪声应力测试数据库的数据。所提出的方法显示，平均信噪比（SNR）为10.96，百分之根差为150.45，并从修改后的MIT-BIH数据库添加运动伪影的相关系数为0.959。
2022-07-24 eess.SP
Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network
Institutes of Biomedical Engineering, Shanghai Jiaotong University（上海交通大学生物医学工程研究所）；Shukun (Beijing) Network Technology Co.,Ltd.（树坤（北京）网络科技有限公司）；Institutes of Medical Robotics, Shanghai Jiaotong University（上海交通大学医疗机器人研究所）
目的：提出一种基于通道式注意机制的新型结构。嵌入所提出的结构，一个有效的分类模型，接受多导联心电图（ECG）作为输入。研究方法：一维卷积神经网络（CNN）已被证明在普遍的分类任务中是有效的，能够在对目标进行分类的同时自动提取特征。我们实现了残差连接，并设计了一种结构，可以在训练过程中从输入特征图中不同通道中包含的信息中学习权重。一个名为均方差的指标被引入到一个特定的模型段在分类任务中的五个ECG类中的两个上的监测性能。使用MIT-BIH心律失常数据库中的数据，并进行了一系列对照实验。结果如下：在不同的应用场景中，利用ECG信号的两个导联作为神经网络分类器的输入可以实现比使用单通道输入更好的分类结果。嵌入通道式注意力结构的模型在灵敏度和精确度上总是比普通Resnet模型获得更好的分数。所提出的模型超过了最先进的模型在室性异位搏动（VEB）分类的性能，并实现了竞争力的分数室上性异位搏动（SVEB）。结论：采用更多导联心电信号作为输入可以增加输入特征图的维数，有助于提高网络模型的性能和泛化能力。重要性：由于其端到端的特性，以及可扩展的多导联心脏病诊断特性，该模型可用于Holter或可穿戴设备的ECG波形的实时跟踪。
2020-03-25 cs.IT cs.LG eess.SP
ECG-Chat: A Large ECG-Language Model for Cardiac Disease Diagnosis
针对通用多模态大型语言模型在心脏疾病诊断中ECG数据分析与报告生成整合不足的问题，提出ECG-Chat模型，通过对比学习对齐ECG与文本特征，构建专用数据集，在多任务中取得最佳性能。
2025-04-16 eess.SP
Investigating the Generalizability of Physiological Characteristics of Anxiety
University of Southern California（南加州大学）；Institute for Creative Technologies（创意技术研究院）
本文通过跨语料库实验研究基于ECG和EDA的焦虑生理特征是否泛化到高唤醒情绪，发现模型可能识别的是情绪唤醒而非压力，为压力检测泛化性提供新见解。
2024-01-23 cs.LG cs.MM eess.SP
Transformer-Based Self-Supervised Learning for Emotion Recognition
Orange Labs（橙色实验室）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔理工学院）
为了利用时间序列信号（例如生理信号）的表示，这些表示从整个信号捕获相关信息是必要的。在这项工作中，我们提出了使用基于变换器的模型来处理心电图（ECG）的情感识别。Transformer的注意力机制可用于构建信号的情境化表示，从而赋予相关部分更多重要性。然后，这些表示可以用完全连接的网络进行处理，以预测情绪。为了克服带有情感标签的数据集相对较小的问题，我们采用了自监督学习。我们收集了几个没有情感标签的ECG数据集来预训练我们的模型，然后我们对AMIGOS数据集进行了微调以进行情感识别。我们表明，我们的方法达到了最先进的性能，使用心电图信号AMIGOS的情感识别。更一般地说，我们的实验表明，Transformers和预训练是很有前途的策略与生理信号的情感识别。
2022-06-03 cs.AI cs.LG eess.SP
