Jove
Visualize
联系我们

相关实验视频

Updated: Jun 27, 2026

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.6K

使用深度学习和可解释的人工智能方法进行心脏信号分类的多模式方法.

Ali Mohammad Alqudah1, Ausilah Alfraihat2

  • 1Independent Researcher, Winnipeg, Canada.

Health information science and systems
|November 25, 2025
PubMed
概括

这项研究引入了一种新的深度学习模型,集成心电图 (ECG) 和心电图 (PCG) 信号,用于准确的心血管疾病诊断. 多式联络方法显著提高了诊断性能和可解释性.

相关概念视频

Classification of Signals01:30

Classification of Signals

In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

In Vivo Indirect Insulin Dose Evaluation of Noninvasive Ultrasound-Mediated Transdermal Delivery Compared to Subcutaneous Injection.

Biomedicines·2026
Same author

Awake Insights for Obstructive Sleep Apnea: Severity Detection Using Tracheal Breathing Sounds and Meta-Model Analysis.

Diagnostics (Basel, Switzerland)·2026
Same author

Interpretable Acoustic Features from Wakefulness Tracheal Breathing for OSA Severity Assessment.

Journal of clinical medicine·2026
Same author

Assessing Obstructive Sleep Apnea Severity During Wakefulness via Tracheal Breathing Sound Analysis.

Sensors (Basel, Switzerland)·2025
Same author

Predicting radiographic outcomes of vertebral body tethering in adolescent idiopathic scoliosis patients using machine learning.

PloS one·2024
Same author

A New Weighted Deep Learning Feature Using Particle Swarm and Ant Lion Optimization for Cervical Cancer Diagnosis on Pap Smear Images.

Diagnostics (Basel, Switzerland)·2023
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

科学领域:

  • 心脏病学 心脏病学
  • 生物医学工程 生物医学工程
  • 人工智能的人工智能

背景情况:

  • 心血管疾病 (CVD) 是一个主要的全球健康问题,需要精确的诊断工具.
  • 心电图 (ECG) 和心电图 (PCG) 信号为心脏电气和机械功能提供了互补的见解.
  • 当前的诊断方法可能会从先进的计算方法中受益,以提高准确性和效率.

研究的目的:

  • 开发和验证综合ECG和PCG信号的多模式深度学习框架,以提高心血管疾病诊断.
  • 评估拟议框架的性能与单模式和现有的多模式方法相比.
  • 利用可解释的AI技术来解释模型的决策过程并识别临床相关特征.

主要方法:

  • 采用双分支CNN-BiLSTM-SE架构与交叉模式的注意力来融合心电图和PCG数据.
  • 实施了一个全面的预处理管道,涉及波形无声化,自适应过和规范化.
  • 该模型在各种公共和定制数据集上进行了严格评估,包括MIT-BIH心律失常,PTB诊断心电图和PhysioNet PCG数据集.

主要成果:

  • 多模式深度学习模型实现了97.0%的高整体准确率和F1分数在94.3%至98.1%之间.
  • 在所有评估的类别中,曲线下面积 (AUC) 值超过0.982,显示出卓越的性能.
关键词:
心脏信号分类心脏信号分类跨模式的关注 跨模式的关注深度学习是一种深度学习.电心电图 (ECG) 是一种心电图.可解释的人工智能多式联络融合是多式联络的融合.音频心脏图 (Phonocardiogram) 是一种表达心脏的方法.

相关实验视频

Last Updated: Jun 27, 2026

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.6K
  • 可解释的AI方法证实了该模型的重点是临床上重要的指标,如不规则的R-R间隔和缩声.

    • 结论:

    • 拟议的多式联络深度学习框架为心脏诊断提供了一个可行,可解释和高度准确的决策支持系统.
    • 通过先进的深度学习整合ECG和PCG信号,显著提高了心血管疾病的诊断能力.
    • 这种方法有望通过更准确和及时的心脏病状况识别来改善患者的治疗结果.