XiaoMi-AI文件搜索系统
World File Search SystemECG
HARDC：一种基于ECG的新型心跳分类方法，使用基于分层注意的双重结构RNN检测心律不齐
马来西亚马来西亚帕汉大学的计算机学院，马来西亚帕汉的甘丹-26300。B IBM卓越中心，马来西亚帕汉大学软件开发与集成计算中心，pahang（UMP），Lebuhraya tun Razak，Gambang-26300，马来西亚帕洪，甘坦。c昆士兰技术大学计算机科学学院（QUT），澳大利亚4000乔治街2号，D乔治街2号，伊斯兰大学伊斯兰大学计算机科学与工程系，库什蒂亚 - 7600，孟加拉国E工程学院，孟加拉国E工程学院，澳大利亚悉尼锡德尼大学，工程学院。f剑桥大学计算机科学技术系，英国剑桥。G Bone Research Group，Garvan医学研究所，新南威尔士州Darling Hurst，澳大利亚Darlinghurst H人工智能与数据科学，健康与康复科学学院，昆士兰圣卢西亚大学健康与行为科学学院，澳大利亚QLD 4072。G Bone Research Group，Garvan医学研究所，新南威尔士州Darling Hurst，澳大利亚Darlinghurst H人工智能与数据科学，健康与康复科学学院，昆士兰圣卢西亚大学健康与行为科学学院，澳大利亚QLD 4072。
从 EDA、ECG 和 EEG 数据中获取的适应性见解
生理自适应虚拟现实可以驱动交互并调整虚拟内容，以更好地满足用户的需求并支持特定目标。然而，心理生理推理的复杂性阻碍了有效的适应，因为认知和生理特征之间的关系很少表现出一一对应关系。因此，有必要采用多模态方法来评估适应的效果。在这项工作中，我们分析了在与 VR 自适应系统交互过程中获得的多模态数据集 (EEG、ECG 和 EDA)，该系统使用 EDA 作为适应次要任务难度的输入。我们评估了动态调整对不同生理特征及其相关性的影响。我们的结果表明，当自适应系统增加次要任务难度时，θ、β 和相位 EDA 特征会增加。此外，我们发现在难度调整过程中，θ、α 和β 振荡之间存在高度相关性。我们的结果显示了如何使用特定的 EEG 和 EDA 特征来评估 VR 自适应系统。
从 EDA、ECG 和 EEG 数据中获取的适应性见解
生理自适应虚拟现实可以驱动交互并调整虚拟内容以更好地满足用户的需求并支持特定目标。然而，心理生理推理的复杂性阻碍了有效的适应，因为认知和生理特征之间的关系很少表现出一一对应的关系。因此，有必要采用多模态方法来评估适应的效果。在这项工作中，我们分析了在与 VR 自适应系统交互过程中获得的多模态数据集（EEG、ECG 和 EDA），该系统使用 EDA 作为输入来适应次要任务难度。我们评估了动态调整对不同生理特征及其相关性的影响。我们的结果表明，当自适应系统增加次要任务难度时，theta、Beta 和相位 EDA 特征会增加。此外，我们发现在难度调整过程中 theta、alpha 和 beta 振荡之间存在高度相关性。我们的结果展示了如何使用特定的 EEG 和 EDA 特征来评估 VR 自适应系统。
使用动态偏置 LSTM 对 ECG 异常进行分类...
摘要 — 本文提出了一种基于动态偏置长短期记忆 (DB-LSTM) 网络的心电图 (ECG) 信号分类模型。与传统 LSTM 网络相比，DB-LSTM 引入了一组参数 C，用于保存单元格的先前时间步长单元门状态。因此，可以保留更多特征信息，并且分类任务所需的网络规模更小。使用 MIT-BIH ECG 数据集进行的全面模拟表明，该模型可以在更短的时间窗口、更快的训练收敛下执行 ECG 特征分类，同时以更低的权重分辨率实现相当的训练和分类精度。与其他最先进的 ECG 分析算法相比，该模型仅需要 4 层，当权重从 FP32 截断为 INT4 时，准确率达到 96.74%，准确率仅下降 2.4%。在 Xilinx Artix-7 FPGA 上实现，所提出的设计估计仅消耗 40μW 动态功率，这对于资源受限的边缘设备来说是一个有希望的候选方案。
基于心电图和脑电图的应力分析
________________________________________________ Mehmet Kaya，博士 副教授 生物医学和化学工程与科学 专业顾问
使用ECG信号进行血糖监测的非侵入性方法
摘要简介：使用连续的葡萄糖监测仪（CGM），紧密的葡萄糖监测对于糖尿病患者至关重要。现有的CGM从间质液中测量血糖浓度（BGC）。这些技术非常昂贵，其中大多数都是侵入性的。先前的研究表明，低血糖和高血糖发作会影响心脏的电生理学。但是，他们没有确定BGC和ECG参数之间的队列关系。材料和方法：在这项工作中，我们提出了一种使用表面ECG信号确定BGC的新方法。复发性卷积神经网络（RCNN）用于分段ECG信号。然后，使用两个数学方程式使用提取的特征来确定BGC。使用表面ECG信号而不是心脏内信号，已从D1NAMO数据集对04例患者进行了对04例患者的测试。结果：我们能够使用RCNN算法以94％的精度分割ECG信号。根据结果，所提出的方法能够以平均绝对误差（MAE）为0.0539估计BGC，平均平方误差（MSE）为0.1604。此外，本文已经确认了BGC和ECG特征之间的线性关系。结论：在本文中，我们提出了ECG特征来确定BGC的潜在用途。此外，我们确认了BGC和ECG特征之间的线性关系。这一事实将为进一步研究（即生理模型）打开新的观点。此外，发现指出，通过机器学习，可以将ECG可穿戴设备用于非侵入性连续血糖监测。
RaspberryPi 使用 Shield PiEEG 测量 EEG、ECG、EMG 和 EOG 本文介绍了用于读取信号的 Shield PiEEG 的硬件和软件
RaspberryPi 使用 Shield PiEEG 测量 EEG、ECG、EMG 和 EOG 本文介绍了用于通过单板计算机系列（RaspberryPi、OrangePi、BananaPi 等）读取信号的屏蔽 PiEEG 的硬件和软件。本文主要提供了如何实现该设备的技术信息。该设备旨在熟悉神经科学，是开始进行 EEG 测量的最简单方法之一。 Ildar Rakhmatulin，博士，PiEEG，ildarr2016@gmail.com 来源 https://github.com/Ildaron/EEGwithRaspberryPI 演示 https://youtu.be/uK8QF2liO5U 关键词：RaspberryPi 和 EEG、ECG、EMG 和 EOG；脑机接口；RaspberryPi 屏蔽 1. 简介 脑机接口是一种读取脑信号的设备，以识别可用于实际目的的任何相关性。 2021 年，我们开发了脑机接口 - ironbci [1,2,3]，但芯片短缺大大增加了设备的成本，之后我们改用 PiEEG 屏蔽，这使得降低设备成本和简化安装过程成为可能。PiEEG 设备在会议 [4] 和出版物 [10] 中进行了一般性介绍。在本文中，我们将更多地关注该设备实现的技术细节。2. 安全建议开发的设备仅针对 Raspberry Pi 进行了测试。在测试期间，禁止将设备连接到电源，这是出于安全考虑并避免网络干扰。通过电网供电时不能使用此设备，并且只能在使用 5V 电池（容量不超过 2000 mAh）时使用它。图 1 是设备完整组装的概览。
基于干细胞的早期哺乳动物发育模型
14天，可能会引起不适。11此外，患有糖尿病前期和2型糖尿病的个体通常不会得到处方的CGM，但仍可能会受益于获得详细的血糖模式。因此，估计血糖偏移的非侵入性方法可能对不可选择的CGM的广泛患者有益。许多研究已经分析了葡萄糖液体是否诱导生理特征的变化。11,12最常见的方法包括电气和光学测量，例如心电图（ECG），PhotoplethySmog-raphy（PPG），近红外（NIR）光谱，电动生物防护性和皮肤温度。12中，ECG是检测葡萄糖水平的有前途的解决方案。13-16先前的研究表明，葡萄糖水平会诱导ECG QRS复合物的形态变化，例如校正的QT间隔，QT间隔和RT振幅比率的变化，17-21，心率和心率变异性的变化（HRRV）。22,23
ECG 信号 PQRS 检测和信号噪声的综合估计 Hemant Amhia 博士研究学者，电气工程 MITS Gwalior MP。
摘要 --- 自动化生物电信号分析在智慧医疗中有着重要的应用。在本文中，我们专注于心电信号，并提出一种心律失常疾病分类的新方法。我们设计了一种新颖的分析框架，从心电信号中提取不同的特征变换。并且我们训练了多特征的 ANN 模型以获得预测。最后，我们在 MIT-BIH 心律失常的公共数据库上测试了我们的方法。数据库上的实验结果表明我们的模型比其他方法具有更好的分类性能。关键词 --- 心电信号、心电去噪、希尔伯特变换、同步检测、固有模态函数、瞬时频率、本振。介绍心电图 (ECG) 作为心脏活动记录提供了有关心脏状态的重要信息 [1]。心电图心律失常检测对于心脏病患者的早期诊断是必要的。一方面，医生很难在有限的时间内分析记录时间较长的心电图 [1]。另一方面，如果没有工具的支持，人们也几乎无法识别心电信号的形态变化，因此需要一个有效的计算机辅助诊断系统来解决这一问题。大多数心电图分类方法主要基于一维心电图数据，这些方法通常需要提取波形特征、相邻波的间隔以及每个波的幅度和周期作为输入，它们之间的主要区别在于分类器的选择[2,3]。
使用智能手机心电图监测器识别雅各布羊尿路阻塞导致的高钾血症引起的心电图异常
基于智能手机的诊断技术正越来越多地被门诊兽医使用。1 这种强大便携技术的一个令人兴奋的新例子是 AliveCor ECG 设备 (AliveCor)。AliveCor 允许智能手机用户使用他们的智能手机以心电图 (ECG) 的形式收集心律和心率，可以即时评估并记录以备将来使用。除了确定平均心率外，这些设备还可用于由训练有素的兽医识别窦性心律、心房颤动和室性早搏、心室预激和异步心室去极化。2 在某些情况下，由于该设备便携性和易用性，它正在取代传统的 Holter 监测心电图。2 产品说明书描述了犬、猫和马患者的使用方法。然而，文献中也有报道称该装置可用于其他物种，包括牛 3 、山羊 4,5 、水牛 6,7 、猪 8 ，以及港海豹 9 和草原巨蜥等外来物种。10