缓慢型心房颤动(Af)伴发长R-R间期在静态心电图(ECG)中发生率及意义

探讨ECG(静态心电图)在缓慢型Af(心房颤动)伴发长R-R间期中的应用意义。方法 截选2021年03月至2022年03月54例ECG提示缓慢型心房颤动患者,按照有无伴随相关症状(头晕、黑朦、晕厥等),分为甲组33例(有相关症状)和乙组21例(无相关症状);按照年龄,分为老年组30例(≥80岁)和非老年组24例(<80岁);比较各组伴发长R-R间期发生率。结果 本试验中,甲、乙组伴发长R-R间期发生率差异明显,甲组发生率显著更高(P<0.05)。老年组、非老年组伴发长R-R间期发生率差异明显,老年组发生率显著更高(P<0.05)。结论 缓慢型心房颤动行静态心电图检查,能够准确诊断患者有无伴发长R-R间期;针对老年患者和伴随头晕、黑朦、晕厥等症状患者,应加强其静态心电图检查,以便更好诊断、鉴别其病情,促使患者尽早接受专业治疗和干预,保证其生命安全与预后质量。

基于互信息的多导联心电图排序方法

基于卷积神经网络的心电图(Electrocardiograph,ECG)自动分类研究从默认12导联顺序的心电图中提取特征,未考虑导联顺序对卷积网络特征提取的影响。为解决该问题,文中提出了一种基于互信息的两端递增排序方法,使用互信息衡量导联之间的相关性,并根据导联之间的相关性以及二维卷积的特点将关系密切的导联相邻排序。实验结果表明,多导联心电图排序方法在3个数据库和3个卷积网络分类模型上取得了显著效果,F1、正确率、召回率、精确率以及杰卡德系数数值分别提升了0.011、0.009、0.007、0.014和0.013,汉明损失值减低了0.002。

以BP神经网络为工具的短时ECG信号情感分类

针对目前生理信号情感识别领域采用的生理信号种类太多或使用的生信号长度较长的问题,本文使用BP神经网络对单一、短时ECG信号进行情感识别分类,并对识别时间进行了估计。通过诱发被试喜、怒、哀、惧和平静5种基本情感状态,采集到ECG生理信号,处理后利用神经网络建立模型。实验结果表明,本文方法得到的情感分类的平均识别率为89.14%,且生理信号进行特征提取和识别分类的时间总和小于0.15s,有效地降低了对生理信号种类和窗口长度的依赖。

基于自适应卷积的心电图心律分类方法

针对网络轻量化后,模型复杂度降低带来的检测性能不足等问题,提出一种基于自适应卷积的心电图(ECG)心律分类方法。首先,采用轻量级的卷积神经网络模型框架构建双分支结构,主分支提取ECG的波形特征,子分支提取ECG样本与正常心律的差异信息;然后,通过自适应卷积的方法,将ECG样本与正常心律的差异信息融入到主分支中,提高模型的检测性能;最后,在公开的数据集上进行实验,F1分数、准确率、召回率分别为93.58%、95.53%和91.70%,相较于未加入ECG样本与正常心律的差异信息的网络有明显提升,验证了该方法的有效性。

心电图P波离散度和红细胞分布宽度与冠状动脉慢血流现象的关系研究

目的:探讨心电图P波离散度(Pd)和红细胞分布宽度(RDW)与冠状动脉慢血流(CSF)的关系。方法:选取医院收治并经冠状动脉造影提示为CSF的103例患者纳入观察组,同时选择同期冠状动脉造影正常的58例患者纳入正常组,测定两组RDW与心电图Pd变化,并分析比较两组生化指标、Pd及RDW与冠状动脉平均血流帧数(TFC)差异。采用Pearson相关性分析Pd、RDW与冠状动脉心肌梗死溶栓试验(TIMI)的TFC值的相关性,采用受试者工作特征(ROC)曲线评估Pd、RDW对CSF发生的诊断价值,采用多因素Logistic回归分析CSF发生的影响因素。结果:观察组患者Pd、RDW均高于正常组,差异有统计学意义(t=7.353,t=8.770;P<0.05);LAD、LCX及RCA的TFC值以及平均TFC值均高于正常组,差异有统计学意义(t=15.162,t=11.680,t=13.663,t=13.296;P<0.05);Pd与LAD、LCX及RCA的TFC值以及平均TFC值均呈正相关(r=0.620,r=0.541,r=0.452,r=0.515;P<0.05);RDW与LAD、LCX及RCA的TFC值以及平均TFC值均呈正相关(r=0.352,r=0.417,r=0.510,r=0.462;P<0.05);Pd预测CSF的ROC曲线下面积(AUC)、灵敏度和特异度分别为0.789、85.2%和88.9%;RDW预测CSF的AUC、灵敏度和特异度分别为0.778、83.7%和90.6%。多因素Logistic回归分析,Pd和RDW均为影响CSF发生的危险因素(OR=3.50,OR=3.93;P<0.05)。结论:CSF患者心电图Pd增大,RDW水平升高,并且Pd、RDW与冠状动脉TIMI的TFC值呈正相关,二者可作为预测CSF发生的有效生物标志物。

心电图识别与分类:方法、问题和新途径

心脏病是现代社会的高发病,如何及时识别病兆并诊断始终是人类面临的严重问题。心电图(electrocardiogram,ECG)的自动识别既是医学不断努力追求的重要目标,也是计算机科学面临的明确问题。本文回顾ECG识别的基本方法,分析其特征;在医生判断ECG过程的经验基础上,提出基于形象思维的新思路;在我们研发完成的可穿戴无线心电信号监护仪这一产品中,融合了结合形态参数的ECG识别的新方法。

心电图模式分类方法研究进展与分析

心电图模式分类是模式识别研究的经典应用之一,在可穿戴心电图设备、动态心电图诊断、重症监护以及疾病与心脏活动关系研究等方面具有重要的应用价值。讨论面向实际应用的心电图模式分类工作的可能方法,归纳近年来心电图模式分类技术在知识推理模型、结构模式识别、统计模式识别等方面的研究进展,并在此基础上做分析与展望。同时论述心电图模式分类研究所面临的主要挑战,即面向实际数据的分类器构建、心电图数据库的标注、分类模型评估标准和领域特征表示问题,并探讨可能的解决途径。

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型。量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移(量子间隔)思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌。当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度。将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度。

粗糙集在心电图分类诊断中的应用

心电图是诊断心血管疾病的重要依据,论文提出了基于粗糙集的多变量决策树在分类诊断中的应用,并以窦性心率失常为例创建了多变量决策树,得到相应的分类规则。使用实际数据进行测试的结果表明,可以有效、快速地进行心率失常病例判别。

基于神经网络的一种心电图分类法

本文研究了一种基于神经网络的心电图分类方法。该方法用大量的心电数据（其中包括Ｐ波、ＱＲＳ复合波和Ｔ波等信息）训练神经网络，使神经网络既能对训练过的心电图正确分类，又能对未训练过的心电图有较好的分类能力。本文首先给出基于神经网络的心电图分类的基本思想，然后给出该系统的神经网络结构及其学习算法，最后给出计算机模拟计算结果，并对实验结果进行分析、讨论。

基于小波神经网络方法的心电图分类研究

心电图是诊断心血管疾病的重要依据。提出了基于小波神经网络方法的心电图分类研究,构造了基于小波神经网络的心电图分类器。使用实际数据进行了测试,结果表明:该分类器可以有效、快速地进行心电图分类,为心电图自动化诊断提供了条件。

支持向量机在心电图分类诊断中的应用

心电图是诊断心血管疾病的重要依据,本文提出了基于支持向量(SupportVectorMachine,SVM)在心电图分类诊断中的应用,构造了基于SVM的心电图分类器。使用实际数据进行测试的结果表明,可以有效、快速地进行心电图分类,为心电图自动化诊断提供了条件。

分类技术在心电图自动诊断模型中的应用比较

提高心电图诊断的有效性和准确性的关键在于心电图分类的质量。文中针对这一情况,详细论述了利用各种分类技术对提取的心电图特征数据进行分类的方法,并在比较各种分类算法的基础上,提出了一种基于CBR的心电图自动诊断系统的结构模型。

基于改进射线拟合法的多导联心电图神经网络分类系统

我们基于心电图特征提取与神经网络分类,提出了一种模拟现实的心电图分类方法,首先应用改进的心电图射线拟合理论,得到心电图多导联的特征;并根据心电图疾病分析的原理与实际诊断的特点,得到一个能对多导联心电图数据疾病类型进行分类的神经网络,为心电图自动分析提出了一个新的思路。经M IT-B IH心电数据库部分波形试验证明,该方法具有较高准确率,对学习过的波形分类正确率为100%,未学习过的78.2%。

基于小波特征提取的多导联心电图神经网络分类

目的研究得到高效、快速、高准确率的心电图的分类方法。方法运用Mexicanhat小波检测多导联心电信号的特征点,然后运用径向基函数网络对特征进行分类。结果经过MITBIH心电数据库波形试验,并与别的实验比较证明,该方法具有较高准确率,对学习过的波形分类正确率达到100.0%,未学习过的86.6%。结论结合心电图的特点得到高准确率的分类方法。

基于神经网络的心电图检测分类综述

综述基于神经网络的异常心电图诊断的应用,目的是提供神经网络在该方面的详细研究。概述常见的神经网络算法以及心电信号检测分类的过程。通过回顾近三年的相关文献,重点关注不同网络架构的性能表现,诸如准确度、特异性和敏感性等性能指标。讨论当前研究存在的问题,并进行研究展望。

基于可穿戴设备的心电图自适应分类算法研究

目前,心血管疾病已成为全球人类非传染性死亡的主要原因,死亡人数约占全球死亡总人数的1/3,且患病人数逐年增加。可穿戴设备被用于对心电图进行自动分类,以实现对心血管疾病的早监测、早预防。随着边缘机器学习和联邦学习的兴起,小型机器学习模型成为了人们关注的热点。针对可穿戴心电图设备低配置、低功耗及个性化的特点,文中研究了一种基于LSTM的轻量级网络结构,并采用自适应算法来优化病人个体的心电图分类模型。该模型利用MIT-BIH公开数据集开展实验,将VEB和SVEB的分类效果与其他相关研究进行了比较。实验结果表明,所提算法的模型结构简单且分类识别率高,能够满足可穿戴设备对病人心电图监测的需求。

心电图(ECG)应用于临床急诊治疗低钾血症的应用价值分析

目的:分析探讨心电图(ECG)应用于临床急诊治疗低钾血症的临床应用价值。方法:选择72例低血钾症患者作为研究对象,对其临床资料进行回顾性分析,总结心电图(ECG)用于急诊治疗低钾血症的临床应用价值。结果:ECG的改变率与血清钾的浓度之间存在一定的相关性,心电图异常改变的发生率随血清钾浓度的降低而呈递增。其中,轻度低钾血症患者35例(48.61%),中度低钾血症患者31例(43.05%),重度低钾血症患者6例(8.33%),分别对应的ECG的改变率分别为51.42%、64.51%、100%。结论:低钾血症患者的ECG异常发生率随着血清钾浓度的降低而升高,对低钾血症患者的准确诊断与及时治疗提供参考依据。

叠加去噪自动编码器结合深度神经网络的心电图信号分类方法

针对现有心电图信号分类方法精度较低,模型训练收敛速度较慢的缺点,提出一种基于叠加去噪自动编码器和深度神经网络方法的新型分类方法。该方法采用无监督学习方式,利用带有稀疏约束的叠加去噪自动编码器,实现心电图原始数据的特征学习。基于深度神经网络对信号进行分类,同时利用监督式自主学习微调方法对神经网络权重进行适时调整,从而保证信号分类的精度和质量。利用三个机构的经典数据库对该方法进行实验研究,并与目前两种最新的方法进行对比。实验结果证明,该方法在专家标记样本较少的情况下,仍能明显提高心电图数据分类的准确率,同时加快训练时的收敛速度。