Ultra Low-Power System for Remote ECG Monitoring
描述了一个完整的系统解决方案,该解决方案利用三个导联从患者胸部提取信号,包括模拟和数字实现中的运动伪影去除。由此产生的ECG信号通过蓝牙低功耗传输到手机。使用深度睡眠模式,整体功耗低于300 $μ$ A,使用150 mAh电池,设备可运行20天以上。筛选软件寻找可疑的痕迹,如那些失踪的脉搏,心动过速,心动过缓等手机软件也消除任何剩余的运动伪影。这些痕迹随后在云服务器中进行详细处理,并发送到医生仪表板进行长期监测。
2019-03-21 eess.SP
Runtime Monitoring and Statistical Approaches for Correlation Analysis of ECG and PPG
IIT Bhubaneswar(布巴内斯瓦尔印度理工学院);University of Auckland(奥克兰大学)
诸如心电图(ECG)和光电体积描记图(PPG)的生物物理信号是感测健康的生命参数的关键。巧合的是,ECG和PPG是信号,它们提供了进入相同现象(即心动周期)的“不同窗口”。虽然它们被单独使用,但没有关于不同ECG和PPG事件的精确校正的研究。这种相关性在许多方面都是有帮助的,例如使用更便宜的传感器进行传感器融合以提高准确性,以及使用多个信号进行攻击检测和缓解方法以增强鲁棒性。考虑到这一点,我们提出了正式建立ECG和PPG信号之间的关键关系的第一种方法。我们将正式的运行时监控与统计分析和回归分析相结合,对我们的结果进行分析。
2022-01-20 cs.FL cs.LG eess.SP
Fabrication of a Low-Cost Real-Time Mobile ECG System for Health Monitoring
心电信号是研究心脏功能的重要信号之一。根据心电图,我们可以识别不同的疾病和疾病。因此,监测这个信号非常重要。在诊所和医院中,许多电极(通常为12个)被用来获取该信号;因此,护士必须将它们安装在患者的身体上以记录信号。在本项目中,我们构建了一个能够以最少的电极数采集实时心电信号并将其显示在移动屏幕上的装置(三个电极),而不需要护士使用最简单和最便宜类型的IC和发射器安装电极,所述发射器包括STM32 F030 F4 P6微控制器、AD 620仪表放大器、TL 084放大器、TC 7660电压转换器,LM 1117稳压器和HC-05蓝牙模块。此外,该设备的设计方式可以使用单个9V电池或电源适配器进行操作。首先,为了放大信号并去除一部分噪声,ECG信号被提供给初级模拟电路。然后,在数字部分,使用微控制器,将信号离散化,处理,并最终传输到手机进行最终处理,信息提取和显示。在手机编写的应用程序中,我们开发了一种基于Pan-Tompkins算法的数学算法来计算心率,其中信号峰值是在使用阈值的几个处理步骤后确定的。在这方面,记录并分析了10名受试者的ECG信号,以计算最佳阈值。最后,计算并绘制了功率谱密度(PSD)和输入参考噪声,以检查输出信号的质量。基于PSD和输入参考噪声幅度,我们实现了50 dB的信噪比。
2023-02-13 eess.SP
Opportunistic Screening of Wolff-Parkinson-White Syndrome using Single-Lead AI-ECG Mobile System: A Real-World Study of over 3.5 million ECG Recordings in China
National Institute of Health Data Science, Peking University(北京大学健康数据科学国家研究院);Heart Voice Medical Technology(心语医疗科技);College of Integrative Chinese and Western Medicine, Anhui University of Chinese Medicine(安徽中医药大学中西医结合学院);Institute of Medical Technology, Peking University Health Science Center(北京大学医学部医药技术研究所);Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Department of Cardiology, Tianjin Institute of Cardiology, the Second Hospital of Tianjin Medical University(天津医科大学第二医院心血管病研究所心脏内科(离子分子功能心血管疾病天津市重点实验室));University of Chinese Academy of Sciences(中国科学院大学);Division of Life Science and Medicine, University of Science and Technology of China(中国科学技术大学生命科学与医学部)
本研究利用单导联AI心电图移动系统对中国350万份心电图记录进行机会性筛查,通过人机协作显著提高了沃波-帕金森-白综合征的筛查效率。
2026-02-05 eess.SP
Real-Time ECG Interval Monitoring Using a Fully Disposable Wireless Patch Sensor
心电图间期监测为心脏疾病的诊断提供了关键的见解。标准的12导联心电图通常被使用,然而,由于当前的COVID-19大流行,迫切需要一种远程监测解决方案,以减少医疗保健提供者对冠状病毒的暴露。本文介绍了一次性无线贴片生物传感器(VitalPatch)和相关平台功能,用于实时连续测量临床相关ECG间期,包括PR间期、QRS持续时间、QT间期、Bazett校正的QT间期(QTb)和Fridericia校正的QT间期(QTcF)。VitalPatch的性能通过比较其自动算法间期测量值与30名受试者中12导联ECG器械的手动注释全局间期来进行验证。间隔监测的准确性PR间期、QRS持续时间、QT间期(通过从全局间期中减去VitalPatch测量值计算的平均计时误差)为2.7+/-15.94 ms、-1.97+/-12.29 ms、-14.6+/-12.97 ms、-15.33 +/-14.11 ms和-15.08+/-13.69 ms,QTb和QTf。这些结果表明,VitalPatch是一种可行的解决方案,用于测量心电图间期,同时在大流行期间利用其远程监测功能。
2021-08-01 eess.SP physics.bio-ph q-bio.QM
Monitoring of the heart movements using a FMCW radar and correlation with an ECG
本文提出一种利用毫米波FMCW雷达高精度提取心脏运动的非接触式方法,并开发算法将其与ECG信号同步,实验结果证明两者具有相关性,为心脏机械活动监测和诊断提供了低成本方案。
2023-09-18 eess.SP
Design of a Noval Wearable ECG Monitoring Device
本文设计了一种新型无线供电可穿戴心电监测设备,采用镀银织物一体切割电极与S形弯曲导线,以降低功耗并提升长期动态监测的舒适性和信号完整性。
2025-07-23 cs.SY eess.SP eess.SY
An adaptive cognitive sensor node for ECG monitoring in the Internet of Medical Things
University of Cagliari(卡利亚里大学)
医疗物联网(IoMT)模式正在成为多项临床试验和医疗保健程序的主流。心血管疾病的监测,通常涉及心电图(ECG)痕迹分析,是最有前途和高影响力的应用之一。然而,为了充分利用IoMT在这一领域的潜力,还需要采取一些措施。首先,必须将边缘计算范式添加到图片中。必须启用一定水平的近传感器处理,以提高IoMT节点的可扩展性、可移植性、可靠性和响应能力。第二,必须开发新的、越来越准确的数据分析算法,例如基于人工智能和深度学习的算法。为了实现这些目标,IoMT节点的设计者和程序员必须面对具有挑战性的优化任务,以便在低功耗可穿戴和便携式处理系统上执行相当复杂的计算任务,并且具有紧凑的功率和电池寿命预算。在这项工作中,我们探索的认知数据分析算法的实现,基于一个卷积神经网络训练分类心电图波形,在资源受限的微处理器为基础的计算平台。为了最大限度地降低功耗,我们添加了一个自适应层,该层动态管理设备的硬件和软件配置,以便在运行时使其适应所需的操作模式。我们的实验结果表明,在运行时调整节点设置的工作负载可以节省高达50%的功耗。我们的优化和量化的神经网络达到了心律失常疾病检测的准确率值高于97%的MIT-BIH心律失常数据集。
2021-07-23 cs.HC cs.LG eess.SP
Comparison of HRV Indices of ECG and BCG Signals
本研究针对心电图长期监测需贴附多电极、舒适度差的问题,对比同步采集的心电图与心冲击图的心率变异性指标,发现心冲击图结果与心电图相近,有望成为舒适便捷的非侵入性心脏长期监测替代方案。
2023-07-20 eess.SP
Investigation of Using Non-Contact Electrodes for Fetal ECG Monitoring
University of California Irvine(加州大学尔湾分校);Hanoi University of Science and Technology(河内科技大学);UT Southwesten Medical Center(德克萨斯大学西南医学中心)
针对偏远及资源匮乏地区产前保健的痛点,研发了集成新型非接触电极、可隔衣测心电的孕妇托腹带式胎儿监护系统,经与传统湿电极对比性能相当,10人试点验证了其性能、可用性与安全性。
2025-10-01 eess.SP
Motif-based morphology signatures for interpretable ECG screening and monitoring
The Podium Institute of Sports Medicine and Technology(Podium运动医学与体育科技研究所)
提出一种基于基序的框架,通过定义可解释的心跳对齐基序和三种漂移度量,实现短期和长期心电图监测中的形态学变化量化与异常检测。
2026-05-26 cs.AI cs.LG eess.SP
ECG-TEM: Time-based sub-Nyquist sampling for ECG signal reconstruction and Hardware Prototype
提出基于IF-TEM的时间亚奈奎斯特采样与重建方法,结合VPW-FRI模型和鲁棒滤波,实现低功耗ECG信号压缩采样,并通过硬件原型验证其有效性。
2024-05-22 eess.SP
Cloud-Connected Wireless Holter Monitor Machine with Neural Networks Based ECG Analysis for Remote Health Monitoring
本研究开发了一种基于神经网络和云连接的无线便携式Holter监护仪,通过深度学习模型实现准确率超88%的自动ECG分类,为贫困地区提供低成本、高效的心脏疾病远程筛查方案。
2023-10-21 eess.SP
Consciousness-ECG Transformer for Conscious State Estimation System with Real-Time Monitoring
Department of Brain and Cognitive Engineering, Korea University(韩国大学脑科学与认知工程系);Department of Artificial Intelligence, Korea University(韩国大学人工智能系);Department of Biomedical Informatics Medicine, Jeju National University(济州国立大学生物医学信息学医学系)
本研究提出consciousness-ECG transformer,利用ECG信号和带解耦查询注意力的transformer进行意识状态估计,在睡眠分期和麻醉监测中准确率分别达0.877和0.880,为动态临床环境提供了比EEG更实用的替代方案。
2025-10-31 cs.AI cs.LG eess.SP
DiSR-ECG: Residual Shifting Conditional Diffusion for Robust ECG Super-Resolution
National Yang Ming Chiao Tung University(国立阳明交通大学);Academia Sinica(中央研究院)
本文提出DiSR-ECG,一种结合残差移位、Mamba时间建模和条件引导的扩散框架,用于稳健的心电图超分辨率,在域内和跨数据集评估中均达到最先进性能。
2026-09-16 eess.SP
Towards Personalized Healthcare in Cardiac Population: The Development of a Wearable ECG Monitoring System, an ECG Lossy Compression Schema, and a ResNet-Based AF Detector
The Chinese University of Hong Kong(香港中文大学);Institute of Future Cities, The Chinese University of Hong Kong(香港中文大学未来城市研究所);Li Ka Shing Institute of Health Science, The Chinese University of Hong Kong(香港中文大学李嘉诚健康科学研究所)
心血管疾病(CVD)是全球头号死亡原因。虽然越来越多的证据表明房颤(AF)与各种心血管疾病有很强的关联,但这种心律失常通常使用心电图(ECG)进行诊断,这是一种无风险,非侵入性和成本效益高的工具。持续远程监测受试者的ECG信息,可在任何危及生命的病症/疾病发生之前,实现AF的及时预诊断和及时预治疗。最终,CVD相关的死亡率可以降低。在这篇手稿中,设计和实现了一个个性化的医疗保健系统,体现了可穿戴心电图设备,移动应用程序和后端服务器。该系统持续监测用户的ECG信息,以提供个性化的健康警告/反馈。用户能够通过该系统与其配对的健康顾问进行通信,以进行远程诊断、干预等。已对实施的可穿戴ECG设备进行了评估,并显示出良好的内部一致性(CVRMS=5.5%)、可接受的内部一致性(CVRMS=12.1%)和可忽略的RR间期误差(ARE<1.4%)。为了提高可穿戴设备的电池寿命,提出了一种利用心电信号的准周期特性实现有损压缩的方案。与已识别的模式相比,它在压缩效率和失真方面优于其他模式,并且对于来自MIT-BIH数据库的ECG信号,在一定PRD或RMSE下实现了至少2倍的CR。为了在所提出的系统中实现自动AF诊断/筛查,开发了基于ResNet的AF检测器。对于2017年PhysioNet CinC挑战的ECG记录,该AF检测器获得的平均测试F1=85.10%,最佳测试F1= 87.31%,优于最先…
2022-07-11 cs.AI cs.SY eess.SP
Nonlinear Regression with a Convolutional Encoder-Decoder for Remote Monitoring of Surface Electrocardiograms
我们提出了非线性回归卷积编码器-解码器(NRCED),这是一种将多变量输入映射到多变量输出的新框架。特别是,我们实现我们的算法范围内的12导联体表心电图(ECG)重建心内电图(EGM),反之亦然。执行此任务的目的是改善对植入器械的患者的床旁监测,以治疗心脏病。我们将通过12导联心电图重建和提供一种新的诊断工具对非典型心跳进行分类来实现这一目标。该算法的评价数据集追溯收集14例患者。重建和实际心电图之间的相关系数计算表明,建议NRCED方法是一种有效的,准确的,和优越的方式来合成12导联心电图。我们也可以实现相同的重建精度,只有一个EGM导联作为输入。我们还以非患者特定的方式测试了该模型,并看到了合理的相关系数。该模型还在反方向上执行,以从12导联ECG产生EGM信号,并发现相关性与正方向相当。最后,我们分析了在模型中学习的特征,并确定模型学习了我们的12导联ECG空间的过完备基础。然后,我们使用这些特征的基础来创建一个新的诊断工具,用于识别非典型和患病的心跳。这导致ROC曲线的相关曲线下面积值为0.98,表明两个类别之间具有良好的区分度。
2020-12-10 eess.SP
ECG-EmotionNet: Nested Mixture of Expert (NMoE) Adaptation of ECG-Foundation Model for Driver Emotion Recognition
Concordia University(康考迪亚大学);Concordia Institute for Information Systems Engineering (CIISE)(康考迪亚信息系统工程学院)
针对动态驾驶场景中驾驶员情绪识别问题,提出ECG-EmotionNet架构,通过嵌套混合专家自适应ECG基础模型融合单通道信号特征,在保持计算效率的同时显著提升了识别准确率和F1分数。
2025-03-03 cs.LG eess.SP
Wearable Respiration Monitoring: Interpretable Inference with Context and Sensor Biomarkers
University of North Carolina(北卡罗来纳大学);George Washington University(乔治·华盛顿大学)
呼吸率(BR)、每分钟通气量(VE)和其他呼吸参数对于许多急性健康状况(如哮喘)中的实时患者监测至关重要。测量呼吸的临床标准,即肺活量测定法,几乎不适合连续使用。可穿戴设备可以跟踪许多生理信号,如ECG和运动,但不能跟踪呼吸。从其他模态中推导出呼吸已经成为一个活跃的研究领域。在这项工作中,我们推断呼吸参数可穿戴心电图和手腕运动信号。我们提出了一个模块化和可推广的分类回归管道,利用可用的上下文信息,如身体活动,在学习上下文条件推理模型。形态学和功率域的新功能,从可穿戴心电图提取使用这些模型。探索性特征选择方法被纳入该管道中,以发现应用特定的可解释的生物标志物。使用来自15个主题的数据,我们评估了两个实现的建议管道:推断BR和VE。每个实现比较广义线性模型,随机森林,支持向量机,高斯过程回归和邻域成分分析作为上下文回归模型。使用排列、正则化和相关性确定方法对ECG特征进行排序,以识别跨模型和活动的稳健ECG生物标志物。这项工作证明了可穿戴传感器不仅在连续监测方面的潜力,而且在设计生物标记驱动的预防措施方面的潜力。
2020-07-02 cs.AI cs.CY cs.HC
Reservoir Computing Models for Patient-Adaptable ECG Monitoring in Wearable Devices
University Medical Center Hamburg-Eppendorf (UKE)(汉堡-埃彭多夫大学医学中心(UKE));Jacobs University gGmbH(雅各布大学gGmbH)
采用储备池计算范式对基于心电图信号的心跳异常进行在线分类。受大脑信息处理原理的启发,储备池计算提供了一个框架来设计,训练和分析用于处理时间相关信息的递归神经网络(RNN)。由于它的计算效率和事实,即训练相当于一个简单的线性回归,这种监督学习算法已被各种考虑作为一种策略,不仅在数字计算机,但也在新兴的非传统的硬件平台,如神经形态微芯片上实现有用的计算。在这里,这种生物启发的学习框架被用来设计一个准确的患者自适应模型,该模型有可能被集成到可穿戴心脏事件监测设备中。所提出的患者定制模型进行了训练,并从MIT-BIH心律失常数据库中选择的ECG记录进行测试。仅使用限制性入选标准对ECG进行研究,包括至少两类心跳,实例数量高度不等。大量的仿真结果表明,该模型不仅提供了准确,廉价和快速的患者定制的心跳分类器,但也避免了“不平衡类”的问题时,使用加权岭回归训练的读出权重。
2019-07-22 cs.LG eess.SP stat.ML
Energy-Efficient Real-Time Heart Monitoring on Edge-Fog-Cloud Internet-of-Medical-Things
University of California at Irvine(加州大学尔湾分校)
可穿戴设备和医疗物联网(IoMT)的最新发展允许实时监测和记录心电图(ECG)信号。然而,由于能量和存储器限制,ECG信号的连续监测在低功率可穿戴设备中是具有挑战性的。因此,在本文中,我们提出了一种新颖的节能方法,用于连续监测低功耗可穿戴设备的心脏。所提出的方法由三个不同的层组成:1)噪声/搏动检测层,用于对ECG信号的质量进行分级; 2)正常/异常搏动分类层,用于检测ECG信号中的异常;以及3)异常搏动分类层,用于从ECG信号中检测疾病。此外,一个分布式的多输出卷积神经网络(CNN)架构被用来减少边缘雾/云之间的能量消耗和延迟。我们的方法在著名的MIT-BIH心律失常数据集上达到了99.2%的准确率。实际硬件上的评估表明,我们的方法是适合的设备具有最小的RAM为32 KB。此外,所提出的方法实现了$7\times$更多的能源效率相比,国家的最先进的作品。
2021-12-15 cs.LG cs.PF eess.SP
A Wearable ECG Monitor for Deep Learning Based Real-Time Cardiovascular Disease Detection
心血管疾病已成为危害人类生命和健康的最大威胁之一。近年来,心电图(ECG)监测已经通过Holter监测转变为远程心脏监测。然而,广泛使用的Holter会给携带它们的个人带来很大的不适和不便。在这项工作中,我们开发了一种新的无线ECG贴片,并应用了基于卷积神经网络(CNN)和长短期记忆(LSTM)模型的深度学习框架。然而,我们发现使用现有技术的模型无法区分我们新获得的数据集中的两种主要心跳类型(室上性早搏和房颤),导致准确率低至58.0%。提出了一种基于置信度训练的半监督方法来处理不良标记数据样本。实验结果表明,该方法的平均准确率可达90.2%,5.4%,高于传统的心电图分类方法的准确性。
2022-01-25 eess.SP
CardioGAN: Attentive Generative Adversarial Network with Dual Discriminators for Synthesis of ECG from PPG
Ingenuity Labs Research Institute(Ingenuity Labs 研究院)
心电图(ECG)是心脏活动的电测量,而光电容积描记图(PPG)是血液循环中体积变化的光学测量。虽然这两种信号都用于心率监测,但从医学角度来看,ECG更有用,因为它携带了额外的心脏信息。尽管许多尝试将ECG感测并入智能手表或类似的可穿戴设备中以用于连续且可靠的心脏监测,但PPG传感器是可用的主要可行感测解决方案。为了解决这个问题,我们提出了一种对抗模型,它以PPG为输入,生成ECG作为输出。该网络利用基于注意力的生成器来学习局部显著特征,以及双鉴别器来保持时域和频域中生成数据的完整性。我们的实验表明,与原始输入PPG相比,由ESTGAN生成的ECG提供了更可靠的心率测量,将误差从每分钟9.74次(从PPG测量)减少到2.89次(从生成的ECG测量)。
2020-12-15 cs.LG eess.SP
Side Channel-Assisted Inference Leakage from Machine Learning-based ECG Classification
University of California, Davis(加州大学戴维斯分校);George Mason University(乔治梅森大学);Temple University(天普大学)
本文揭示了基于DTW的ECG分类系统存在侧信道泄露漏洞,通过Flush+Reload攻击监视弯曲路径选择,实现了84.0%的样本标签窃取成功率。
2023-04-04 cs.CR cs.LG eess.SP
MSECG: Incorporating Mamba for Robust and Efficient ECG Super-Resolution
National Taiwan University(台湾大学);Academia Sinica(中央研究院);University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
针对长期心电图监测设备的低功耗需求,提出整合Mamba与卷积层的紧凑型模型MSECG,在PTB-XL等数据库上验证其在干净及噪声环境下均优于现有模型且参数更少,为高效稳健的心电图超分辨率提供新方案。
2024-12-06 cs.LG eess.SP
Heart Rate Monitoring During Different Lung Volume Phases Using Seismocardiography
地震心动图(SCG)是一种非侵入性方法,可用于心脏活动监测。本文提出了一种新的心电图(ECG)独立的方法估计心率(HR)在低和高肺容量(LLV和HLV,分别)阶段使用SCG信号。在这项研究中,同时测量了7名健康受试者的SCG、ECG和呼吸流速(RFR)信号。根据RFR计算肺容量信息,并用于将SCG事件分为低肺容量组和高肺容量组。然后使用LLV和HLV SCG事件估计受试者HR以及LLV和HLV期间3种不同体位(即仰卧、45度抬头和坐位)的HR。所提出的算法的性能进行了测试,对标准的心电图测量。结果表明,根据SCG和ECG信号的HR估计具有良好的一致性(偏倚为0.08 bpm)。在所有体位下,发现所有受试者在HLV期间的HR(HR $_\text{HLV}$)均高于LLV期间的HR(HR $_\text{LLV}$)。HR $_\text{HLV}$ /HR $_\text{LLV}$比值为1.11 $\pm$ $\pm$ 0.07,1.08 $\pm$ 0.05,1.09 $\pm$ 0.04,和1.09 $\pm$ 0.04(平均$\pm$ SD)分别为仰卧位、45 °-第一次试验、45 °-第二次试验和坐位。这种心率变异性可能至少部分是由于众所周知的呼吸性窦性心律不齐。来自SCG信号的HR监测可用于不同的临床应用,包括可穿戴心脏监测系统。
2018-05-08 eess.SP
Time-Series Analysis on Edge-AI Hardware for Healthcare Monitoring
针对传统心电监测延迟高、功耗大的问题,提出基于动态偏置LSTM(DB-LSTM)的时域模型,实现高精度预测与分类,并通过INT4/INT3量化实现边缘部署,未来将用于FPGA/CMOS及个性化医疗。
2025-04-21 eess.SP
Data Augmentation for Electrocardiogram Classification with Deep Neural Network
心电图(ECG)是诊断心血管事件的最重要的监测方式。准确和自动检测异常ECG模式对医生和患者都有利。在异常心电图模式的自动检测方面,深度神经网络(DNN)已经显示出显著的成就。然而,DNN需要大量的标记数据,这通常是昂贵的。另一方面,最近的研究表明,通过随机组合数据增强可以提高图像分类的准确性。因此,在这项工作中,我们探索适合ECG数据的数据增强,并提出ECG增强。我们表明,通过引入ECG Augment,我们可以在不改变DNN架构的情况下,利用单导联ECG数据改进房颤的分类。
2020-09-05 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
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
A Shallow U-Net Architecture for Reliably Predicting Blood Pressure (BP) from Photoplethysmogram (PPG) and Electrocardiogram (ECG) Signals
Qatar University(卡塔尔大学);Universiti Kebangsaan Malaysia(马来西亚国立大学);BUET(孟加拉国工程技术大学)
心血管疾病是全世界最常见的死亡原因。为了检测和治疗心脏相关疾病,需要连续血压(BP)监测以及许多其他参数。为此,已经开发了几种侵入性和非侵入性方法。医院中用于连续监测BP的大多数现有方法是侵入性的。相反,基于袖带的血压监测方法,可以预测收缩压(SBP)和舒张压(DBP),不能用于连续监测。几项研究试图从非侵入性收集的信号(如光电容积描记图(PPG)和心电图(ECG))预测BP,这些信号可用于连续监测。在这项研究中,我们探讨了自动编码器在从PPG和ECG信号预测BP中的适用性。该研究对MIMIC-II数据集的942名患者的12,000个实例进行了研究,发现非常浅的一维自动编码器可以提取相关特征来预测SBP和DBP,并且在非常大的数据集上具有最先进的性能。来自MIMIC-II数据集一部分的独立检验集提供的SBP和DBP的MAE分别为2.333和0.713。在40名受试者的外部数据集上,在MIMIC-II数据集上训练的模型分别为SBP和DBP提供了2.728和1.166的MAE。对于这两个病例,结果符合英国高血压学会(BHS)A级,并超过了当前文献的研究。
2021-11-12 cs.LG eess.SP
Deep Network for Capacitive ECG Denoising
Healthcare Technology Innovation Centre Indian Institute of Technology Madras(印度理工学院马德拉斯分校医疗技术创新中心);Department of Electrical Engineering Indian Institute of Technology Madras(印度理工学院马德拉斯分校电气工程系)
在自由生活条件下持续监测心脏健康对于为手术后恢复的患者和老年人等心脏高危人群提供有效护理至关重要。电容性心电图(cECG)就是这样一种技术,通过其在不接触皮肤的情况下测量生物电位的能力,可以进行舒适和长期的监测。cECG监测可以使用许多家用物品来完成,如椅子、床甚至汽车座椅,从而实现对个人的无缝监测。不幸的是,该方法对运动伪影非常敏感,这极大地限制了其在临床实践中的使用。目前cECG系统的使用仅限于进行节律分析。在本文中,我们提出了一种新的端到端深度学习架构来执行去噪电容ECG的任务。所提出的网络使用运动损坏的三通道cECG和驾驶汽车时收集的个人参考导联I ECG进行训练。此外,我们还提出了一种新的联合损失函数,适用于信号和频域的损失。我们对模型预测和地面实况进行了广泛的节奏分析。我们进一步使用均方误差(MSE)和模型预测与地面实况之间的互相关来评估信号去噪。我们报告MSE为0.167,互相关为0.476。报告的结果突出了使用滤波的cECG进行形态分析的可行性。所提议的方法可以对处于自由生活条件下的个人进行持续和全面的监测。
2019-03-29 cs.LG eess.SP stat.ML
DENS-ECG: A Deep Learning Approach for ECG Signal Delineation
Technical University of Denmark(丹麦技术大学)
目的:随着远程健康监测领域的技术进步,现在可以收集大量的电生理信号,如心电图(ECG)。因此,有必要开发能够实时分析这些大量数据的模型/算法。本文提出了一种用于心跳实时分割的深度学习模型。研究方法:所提出的算法,称为DENS-ECG算法,结合卷积神经网络(CNN)和长短期记忆(LSTM)模型来检测不同的心跳波形,如P波,QRS波群,T波和无波(NW)的起始,峰值和偏移。使用ECG作为输入,该模型通过训练过程学习提取高级特征,这与其他经典的基于机器学习的方法不同,消除了特征工程步骤。结果如下:提出的DENS-ECG模型在具有105个ECG的数据集上进行了训练和验证,每个ECG的长度为15分钟,并且使用5倍交叉验证分别实现了97.95%和95.68%的平均灵敏度和精度。此外,该模型在一个看不见的数据集上进行了评估,以检查其在QRS检测中的鲁棒性,其灵敏度为99.61%,精确度为99.52%。结论:实验结果显示了组合CNN-LSTM模型用于ECG信号描绘的灵活性和准确性。重要性:本文提出了一种使用深度学习进行心跳分割的高效且易于使用的方法,该方法可能用于实时远程健康监测系统。
2020-05-18 cs.LG eess.SP stat.ML
Unlocking Telemetry Potential: Self-Supervised Learning for Continuous Clinical Electrocardiogram Monitoring
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
本文提出利用自监督学习在约147,000小时ECG遥测数据上预训练深度网络,显著提升了四个下游任务性能,并实现对连续ECG信号的自动标注,克服了标签稀缺与专业标注耗时的限制。
2024-06-07 cs.AI cs.CY cs.LG
ECG-Based Stress Prediction with Power Spectral Density Features and Classification Models
本研究针对压力监测需求,提出结合频域特征与多种机器学习/深度学习模型的ECG压力预测框架,实验显示LSTM模型准确率达94%,为实时医疗监测提供支撑。
2025-09-02 eess.SP
Real-Time, Single-Ear, Wearable ECG Reconstruction, R-Peak Detection, and HR/HRV Monitoring
本研究提出一种基于单耳可穿戴设备 BioGAP 的实时 ECG 参数估计系统,结合优化的 DeepMF 算法与入耳式电极技术,在极低功耗下实现了高精度的 HR/HRV 提取,为无创连续心血管监测提供了新方案。
2025-05-03 cs.SY eess.SP eess.SY
ASCNet-ECG: Deep Autoencoder based Attention aware Skip Connection network for ECG filtering
目前,远程医疗监测领域由于其在日常生活中的重要用途而受到了极大的关注。这一进步导致了电生理信号的数据收集的增加。由于这种进步,心电图(ECG)信号监测已成为医疗领域的主要任务。ECG通过分析心脏生理和异常在医学领域中起着重要作用。然而,这些信号由于许多种类的噪声而受到影响,例如电极运动、基线漂移和白噪声等,这影响了诊断的准确性。因此,对心电信号进行滤波成为一项重要的任务。目前,深度学习方案由于其有效的特征学习架构而广泛用于信号过滤任务。本文提出了一种基于深度学习的ECG信号滤波方案,该方案基于深度自动编码器模块。根据该方案,数据通过编码器和解码器层进行处理,通过消除噪声来重建。拟议的深度学习架构使用修改后的ReLU函数来改进属性的学习,因为标准ReLU无法适应巨大的变化。此外,一个跳过连接也被纳入所提出的架构,它保留了编码器层的关键功能,同时将这些功能映射到解码器层。类似地,还包括注意力模型,其执行通道和空间注意力,其通过使用通道和平均池化操作来生成鲁棒映射,从而提高学习性能。所提出的方法进行了测试,在一个公开的MIT-BIH数据集,不同类型的噪声,如电极运动,基线水和运动伪影,被添加到原始信号在不同的SNR水平。
2023-03-28 cs.CY eess.SP
Comparative Study of ECG Denoising Methods for Wearable Applications
University of Pavia(帕维亚大学);Mahidol University(玛希隆大学);CNIT Consorzio Nazionale Interuniversitario per le Telecomunicazioni(意大利国家电信大学联盟)
研究可穿戴应用中ECG去噪方法,比较基于模型(如EMD变体、DWT)和基于深度学习(如SDAE、PINN)的技术,在实际采集数据上用多种指标评估,发现DL方法形态重建优,DWT噪声抑制强,二者优势互补。
2026-07-14 eess.SP
Bayesian ECG reconstruction using denoising diffusion generative models
本文提出用健康心电图数据训练的去噪扩散生成模型(DDGM)进行贝叶斯心电图重建,实现逼真心电信号生成,并应用于QTc计算、噪声抑制、缺失导联恢复和异常识别等临床任务。
2023-12-18 cs.LG eess.SP stat.ML
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
ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on Continual Learning
Southeast University(东南大学);A*STAR(新加坡科技研究局);Institute for Infocomm Research(资讯通信研究院);Institute of High Performance Computing(高性能计算研究院)
针对心电图智能诊断存在的数据集小、信息利用不足、多模型部署成本高及任务间知识难迁移等问题,提出基于参数隔离的ECG-CL持续学习多分辨率模型,结合局部与全局信息,在四类增量学习场景下实现更优的单导联心电图综合解读效果。
2023-10-22 cs.LG eess.SP
Internet of Things (IoT) based ECG System for Rural Health Care
DUET(达卡工程技术大学);EUB(欧洲孟加拉大学);JNU(贾汉吉尔纳加尔大学);Daffodil International University(达福迪尔国际大学);BUP(孟加拉国国父和平大学)
孟加拉国农村地区近30%的人口生活在贫困线以下。此外,由于没有现代化的保健技术,农村人口的护理和诊断设施有限。因此,农村人口被剥夺了适当的保健。从这个角度来看,可以促进现代技术来减轻他们的健康问题。ECG传感工具与人体胸部连接,通过物联网设备收集必要的心血管数据。这些数据存储在与MQTT和HTTP服务器合并的云中。在这项研究中,提出了一种用于心血管或心脏病患者ECG监测系统的创新物联网方法。ECG信号参数P、Q、R、S、T被收集、预处理和预测,以监测心血管状况,用于进一步的健康管理。利用机器学习算法确定心电信号参数的显著性和误差率。逻辑回归模型拟合的训练和测试数据之间的协议。预测已被执行,以确定的PQT质量的变化和其在心电监护系统中的适用性。考虑到质量参数的取值,得到了满意的结果。提出的基于物联网的心电图系统降低了未来心血管疾病的医疗成本和复杂性。
2022-07-27 cs.AI cs.CY cs.LG
HKF: Hierarchical Kalman Filtering with Online Learned Evolution Priors for Adaptive ECG Denoising
本文提出分层自适应卡尔曼滤波器HKF,通过在线学习患者特定结构化先验并捕捉心搏内外动态,有效提升可穿戴ECG信号去噪性能,优于传统方法且保留波形特征。
2023-11-20 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
Personalized Deep Learning for Short-Term Forecasting of Impending Atrial Fibrillation from Continuous Wearable ECG Signals
Seoul National University(首尔大学);CHA Bundang Medical Center and CHA University School of Medicine(CHA板桥医疗中心和CHA大学医学院);SEERS Technology Co., Ltd(SEERS科技有限公司);Department of Internal Medicine, Seoul National University College of Medicine and Seoul National University Hospital(首尔大学医学院内科学系和首尔大学医院)
针对可穿戴心电图中房颤预测的个体差异问题,提出通过微调全局模型实现个性化预测,在三个数据集上显著提升性能,并揭示了心率、RMSSD等临床相关前兆特征。
2026-06-09 eess.SP
Towards reconstruction of Pulsed-wave Doppler signals from Non-invasive fetal ECG
针对有创胎儿心电监测受限及无创fECG受母体信号干扰的问题,本文提出利用无创胎儿ECG重建高质量Pulsed-wave Doppler信号这一挑战性研究问题。
2025-01-12 eess.SP physics.med-ph
Dynamic-Deep: Tune ECG Task Performance and Optimize Compression in IoT Architectures
Reichman University(赖希曼大学)
监控医疗数据,例如,心电图(ECG)信号是物联网(IoT)设备的常见应用。压缩方法通常应用于在将其发送到云之前生成的大量传感器数据,以降低存储和交付成本。有损压缩提供高压缩增益(CG),但可能由于信息丢失而降低ECG应用(下游任务)的性能。以前的心电图监测工作集中在优化信号重建或任务的性能。相反,我们提倡一种自适应有损压缩解决方案,该解决方案能够在下游任务上配置所需的性能水平,同时保持优化的CG,从而降低云成本。我们提出了Dynamic-Deep,这是一种面向物联网云架构的任务感知压缩。我们的压缩机经过培训,以优化CG,同时保持从广泛范围内选择的下游任务的性能要求。在部署中,IoT边缘设备调整压缩并为每个数据段发送优化的表示,从而考虑下游任务的期望性能,而不依赖于来自云的反馈。我们使用两种流行的ECG应用程序对常见ECG数据集进行了广泛的评估,其中包括心率(HR)心律失常分类。我们证明了Dynamic-Deep可以配置为在广泛的要求中提高HR分类F1分数。其中一个经过调整,将F1分数提高了3分,与之前最先进的(基于自动编码器的)压缩器相比,CG提高了83%。通过分析Google Cloud Platform上的Dynamic-Deep,我们发现与无压缩解决方案相比,云成本降低了97%。
2022-04-02 cs.LG eess.SP
Neuro-Informed Adaptive Learning (NIAL) Algorithm: A Hybrid Deep Learning Approach for ECG Signal Classification
BRAC University(BRAC大学)
本文提出神经信息自适应学习(NIAL)混合算法,结合CNN与Transformer注意力机制,通过动态调整学习率提升ECG信号分类准确率,并在MIT-BIH和PTB数据集上验证其优于传统方法,适用于实时心血管监测。
2025-03-12 cs.LG eess.SP
CarDS-Plus ECG Platform: Development and Feasibility Evaluation of a Multiplatform Artificial Intelligence Toolkit for Portable and Wearable Device Electrocardiograms
Yale School of Medicine(耶鲁医学院);Yale New Haven Hospital(耶鲁-纽黑文医院);Yale School of Public Health(耶鲁公共卫生学院)
本研究开发并评估了CarDS-Plus ECG平台,一个用于可穿戴设备单导联心电图的多平台AI工具包,实现从采集到报告平均33-35.7秒的实时推理,验证了跨设备的高效性与临床部署可行性。
2023-10-10 cs.LG eess.SP
Region-Disentangled Diffusion Model for High-Fidelity PPG-to-ECG Translation
Queen’s University(女王大学);Vector Institute(矢量研究所)
提出区域解缠扩散模型RDDM,通过选择性噪声添加与解缠去噪实现PPG到ECG的高保真转换,仅需10步,并在CardioBench基准上达到最先进性能。
2023-12-28 cs.LG eess.SP
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
CLEP-GAN: An Innovative Approach to Subject-Independent ECG Reconstruction from PPG Signals
University of Toronto(多伦多大学);York University(约克大学);Duke Kunshan University(昆山杜克大学);Fields Institute for Research in Mathematical Sciences(数学科学领域研究所)
提出CLEP-GAN,结合ODE合成数据、对比学习、对抗学习与注意力门控,实现受试者无关的PPG到ECG重建,并探讨人口统计因素对准确性的影响。
2025-02-24 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
Ultra Low-Power and Real-time ECG Classification Based on STDP and R-STDP Neural Networks for Wearable Devices
Sharif University of Technology(谢里夫理工大学)
本文提出了一种新的ECG分类算法,用于超低功耗可穿戴设备上的实时心脏监测。所提出的解决方案是基于脉冲神经网络,这是第三代神经网络。具体而言,我们采用了尖峰定时依赖可塑性(STDP)和奖励调制STDP(R-STDP),其中模型权重根据尖峰信号和奖励或惩罚信号的定时进行训练。实验结果表明,该方法适合于实时操作,与以往的方法相比具有相当的精度,更重要的是,其能耗明显小于以往的基于神经网络的方法。
2019-12-19 cs.LG cs.NE eess.SP