实体
MIT-BIH Arrhythmia Database
MIT-BIH Arrhythmia Database
PulseAugur coverage of MIT-BIH Arrhythmia Database — every cluster mentioning MIT-BIH Arrhythmia Database across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
深度学习模型大幅降低可穿戴设备心律失常检测的功耗
研究人员开发了一种适用于可穿戴设备的新型深度学习架构，可显著降低心律失常检测的功耗。通过采用数据精度降低和近似乘法等技术，所提出的架构与现有模型相比，功耗降低了64.9%，同时保持了93.7%的高分类准确率。这项进展有望在不影响诊断性能的情况下延长可穿戴健康监测设备的电池寿命。
-
TinyML 模型实现设备端心律失常检测
研究人员开发了 ArrythML，一种使用自编码器模型的设备端心律失常检测 TinyML 方法。这些 INT8 量化模型专为资源受限的嵌入式系统设计，可在 ESP32-S3 微控制器上处理超过 95,000 个 ECG 片段。性能最佳的模型尺寸为 180 KB，推理延迟为 9 毫秒，达到了 84% 的召回率和 79% 的 F1 分数，展示了低功耗、注重隐私的可穿戴系统的潜力。
-
流形学习可准确检测心脏心律失常，无需标签
研究人员已证明非线性降维（NLDR）算法（如UMAP和t-SNE）在从心电图（ECG）信号中无监督检测心脏心律失常方面的有效性。与关注大方差的传统方法不同，NLDR算法可以在没有先验训练或标记的情况下识别细微的、医学上相关的特征。研究表明，这些方法可以区分个体，并且还可以区分单个个体数据中的正常心跳与心律失常。这种方法在个性化医疗和心脏监测方面具有巨大潜力。