XiaoMi-AI文件搜索系统
World File Search Systemecg
一种可解释的 CNN-Transformer，用于使用 ECG 诊断儿童睡眠呼吸暂停
摘要 — 儿童阻塞性睡眠呼吸暂停 (OSA) 是一种常见的呼吸系统疾病，与心血管风险增加有关。标准诊断是多导睡眠图，但其复杂性、成本和不便性导致诊断不足。为了解决这种情况，我们首次提出了一种简化的替代方法，使用夜间心电图 (ECG) 和基于卷积神经网络和变压器网络的混合模型来估计儿童 OSA 的严重程度。此外，提出了梯度加权类激活映射 (GradCAM) 方法来解释模型结果。为了开展这项研究，使用了来自儿童腺样体扁桃体切除术试验 (CHAT) 和芝加哥大学 (UofC) 数据库的 2,591 条记录。该模型在 CHAT 中实现了 4 类 Cohen's Kappa 0.392，在 UofC 中实现了 0.346。 GradCAM 突出显示了心动过缓-心动过速模式、PQ 和 QT 段以及已识别的 U 波。因此，这种方法可以改善儿童 OSA 的诊断并提供新的相关心脏信息，从而鼓励在临床环境中采用自动化系统。
使用 PCG 和 ECG 信号的 AI 增强心脏监测
研讨会概要 研讨会名称：使用 PCG 和 ECG 信号的 AI 增强心脏监测 最低资格：来自电子、电气、计算机等专业的 3 年级工程专业学生 讲师：岳荣教授，科廷大学，SPARC 客座教授 研讨会时长：2 天，6 小时/天 研讨会描述：本研讨会通过使用增强人工智能 (AI) 监测心音图 (PCG) 和心电图 (ECG) 信号来介绍非侵入性心脏病诊断技术。它包括对心音信号、数字听诊器、PCG 和 ECG 信号特征提取、分类和机器学习的背景介绍。在研讨会结束时，参与者可以了解非侵入性传感，以便以可承受的价格诊断心脏病。他们可以练习基本的 PCG 和 ECG 信号处理和机器学习算法。 研讨会内容（暂定） 时间 主题 内容 第 1 天（1 小时） 介绍心音的生理学；心音测量； PCG 和 ECG 设备 第 1 天（第 2 个小时） PCG 信号处理 信号预处理和分割 第 1 天（第 3 个小时） 实验课 1. 使用 Matlab 进行 PCG 信号滤波和分割
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。
ECG数据采集设计中的最新技术和挑战：评论
摘要 - 心脏血管疾病是世界上死亡的主要原因，也是印度尼西亚的第一杀手。根据世界卫生组织（WHO）的说法，印度尼西亚的心血管死亡率为2018年总死亡人数的17.05％。仍然非常需要对ECG设备的需求，尤其是对于村庄的偏远地区。在实施中，必不可少的简单，廉价且可靠的ECG设计是必不可少的。因此，本研究的目的是回顾ECG设计的最新设计，以找到ECG设计开发的最佳选择。本评论考虑了模拟处理，数字处理器，与软件相关的应用程序和通信设计，该设计可能对学生，讲师和研究人员设计ECG机器有益。在这篇评论中，我们从任何来源收集并选择了一些参考文献，尤其是从国际期刊和程序中。此外，我们将讨论分为三个领域，即模拟前放大器，微控制器，无线通信和显示。在这篇评论中，我们发现内置仪器放大器（90％）比单个操作放大器所使用。基于Arduino的微控制器单元仍然是该设计中使用的最爱（30％）。更多的研究更喜欢使用蓝牙通信（30％）传输ECG数据。在本文审查中可以获得潜在的发展，以进行进一步的高效和低成本的设计。希望，本文评论可以用作潜在读者开发无线ECG监控系统的参考。
心电图（ECG）贴片监测器用于检测心律异常。
患者在出现症状时可以按下按钮。这将记录按下按钮前 45 秒到按下按钮后 45 秒的记录。鼓励患者保留一份纸质日志，记录他们的症状，包括他们当时正在做的事情，以便在最终技术报告中建立症状-节律相关性。7 在监测期结束时，患者取下贴片并通过皇家邮政免费邮寄将其寄回 iRhythm。Zio XT® 贴片上或内部没有可识别个人身份的数据，确保在物理拦截的情况下数据隐私和安全。记录的数据由 ZEUS 系统分析，并由 Zio 的认证心脏生理学家审查。数据分析后，技术报告将通过安全平台以电子方式发送给患者的临床医生。该报告提供有关任何心律失常发作、佩戴时间以及患者标记的任何事件的详细信息。如果需要，临床医生可以请求更多信息或修改报告。7
改进了ECG数据中的HRV分析：使用
抽象心率变异性（HRV）分析是评估自主神经系统调节和心血管健康的重要工具。本研究通过使用MATLAB代码并将其性能与广泛使用的软件工具（Kubios和GHRV）进行比较，探讨了改进的HRV分析技术。在四个不同条件下的十个受试者（基线，休息，Stroop颜色任务和冥想）中的十个受试者的心电图（ECG）数据收集和分析。该研究重点是开发和实施MATLAB中的新算法进行HRV估计，从而对现有方法进行了全面的比较。该研究研究了通过MATLAB实施获得的HRV分析结果的准确性和可靠性，与Kubios和GHRV相比。MATLAB代码被优化，以增强计算速度和准确性，从而实时处理ECG数据。结果表明，使用拟议的MATLAB实现，HRV分析的显着改善。提出的MATLAB代码和Kubios对于高频功能具有相似的精度，精度为85％。GHRV的PNN50精度为100％，表明其在匹配参考数据方面的准确性很高。比较分析证明了在不同实验条件下的不同HRV指标。此外，结果突出了Kubios和GHRV之间研究方法的差异，展示了其在临床和研究环境中广泛采用的潜力。本研究不仅提出了先进的HRV分析方法，而且还提供了有关现有软件工具可靠性的宝贵见解。这些发现为研究人员和临床医生为其特定应用选择HRV分析工具时提供了明智的选择，以确保对心血管健康和自主神经系统功能的准确有效评估。有必要进行进一步的研究和验证，以建立跨不同人群和实验范式的拟议方法的鲁棒性和概括性。
基于压缩域的可穿戴设备中的ECG信号分类
可穿戴设备通常用于诊断心律不齐，但是心电图（ECG）监测过程会产生大量数据，这会影响检测速度和准确性。为了解决此问题，许多研究已将深层压缩传感（DCS）技术应用于ECG监测，这些技术可以不足采样和重建ECG信号，从而极大地优化了诊断过程，但是重建过程很复杂且昂贵。在本文中，我们为深度压缩感测模型提出了改进的分类方案。该框架由四个模块组成：预审查；压缩;和分类。首先，在三个卷积层中适应归一化的ECG信号，然后将压缩数据直接放入分类网络中，以获得四种ECG信号的结果。我们在MIT-BIH心律失常数据库和Ali Cloud Tianchi ECG信号数据库上进行了实验，以验证模型的鲁棒性，采用准确性，精确，灵敏度和F1得分作为评估指标。当压缩比（CR）为0.2时，我们的模型具有98.16％的准确性，平均准确度为98.28％，灵敏度为98.09％和98.06％的F1得分，所有这些得分都比其他模型更好。
手腕-ECG白皮书
4.1 ECG信号质量，以验证Polar Elixir TM Wrist-ECG的准确性和可靠性A通过Midilog AR12+ Holter ECG监视器和Polar Vantage V3的研究在2023年在Polar Research Center Sports Lab（未发表）进行。在这项研究中，总共招募了20名参与者，每个参与者都经过规定的协议两次。Vantage V3用于数据收集模式（仅用于研究目的）以执行协议。该协议模拟了在Polar Vantage V3中发现的多个连续的手腕ECG测试。协议涉及参与者在灯按钮（负电极）上握住手指25秒，在每次试验之间在每次试验之间进行了5秒的超脱重复5次，同时将设备戴在手腕上。Medlilog AR12+被用作数据收集的参考设备。为了评估获得的ECG数据的质量，设计和实施了特定的标准。这些标准被缩放到0-100％的相对尺度，称为“ ECG质量”。
CardiacNet：基于神经网络、使用心电图信号进行心跳分类
摘要：以心电图 (ECG) 的形式获取有关心脏电活动的信息已成为监测患者心律和功能的标准方法。它用于诊断各种心脏异常，如心律失常和其他心脏病。然而，解释心电图需要训练有素的医生的专业知识，因此需要自动对此类信号进行分类的工具。在本研究中，我们训练深度卷积神经网络 (CNN) 对心电图搏动进行正常和异常的二元分类。在对从 MIT-BIH 心律失常数据库中选择的一组不同心电图进行通用网络预训练后，我们使用迁移学习来构建针对特定患者数据进行微调的模型。然后，我们将微调网络的性能与仅对单个患者的心电图数据进行训练的单个网络的性能进行比较，以评估迁移学习对给定问题的整体效果。我们在两种情况下都取得了不错的结果，因为单个分类器在测试集上的平均平衡准确率为 94.6%，而微调模型的准确率略差，为 93.5%。关键词：心电图分类、CNN、医学成像、迁移学习
利用心电图信号进行深度学习驱动的心脏病预测
ECG 结构的非平稳动机是评估心跳速度和节律的重要读数，因此可以评估心脏的健康状况。本文提出了一种用于自动 ECG 分类的稳健方法，将数据分为两类：正常和病理性心血管模式的变化。更具体地说，收集到的 ECG 信号被归一化、过滤以消除噪声干扰。因此，形态属性被形成以尽可能地表示类别的特征。ACO 被纳入分割和特征选择中，以减少异常的特征向量。ECG 信号的分类是通过使用双长期短期记忆 (Bi-LSTM) 神经网络进行的，因为它是一种经过验证的序列预测网络，并且能够捕获数据中的长期时间依赖性。评估标准表明，相对于其他提出的 ECG 分类，所提出的方法达到了 90% 的分类准确率。已经确定 ACO 与 Bi-LSTM 的结合提供了改进的 ECG 分类，从而使其成为临床诊断和治疗监测的有用工具。