心律不齐的右心肌病（ARVC）是一种遗传性心肌疾病，在患者生命的第二和十年之间出现，导致35岁之前的心脏突然死亡的20％。在心电图（ECG）上，在降低过早心血管死亡率中可能具有至关重要的作用。在我们的分析中，我们首先概述了基于纸张的ECG信号的数字化过程，该空间过滤器旨在消除数据集图像中与ECG波形无关的黑暗区域，从而产生不良的噪声。接下来，我们建议使用低 - 复杂性卷积神经网络来检测心律失常心脏病，迄今为止尚未通过使用深度学习方法来研究，迄今为止的使用，达到高分类准确性，即99.98％的训练和98.6％测试准确性，与其他心律失常异常相反，在疾病上，其主要鉴定标准是ECG形态的无限千伏变化。最后，通过进行光谱分析，我们研究了与ARVC患者相对应的正常ECG和ECG之间频率领域的显着区别。在我们遇到统计学上显着分化的18个频率中，有16个中，正常的心电图的特征是与异常相比更大的归一化振幅。本文进行的总体研究强调了将数学方法整合到各种疾病的检查和有效诊断中的重要性，旨在为他们的成功治疗做出重大贡献。

COVID-19大流行已经暴露了全球医疗服务的脆弱性，增加了开发新颖的工具来提供快速且具有成本效益的筛查和诊断的需求。临床报告表明，Covid-19感染可能导致心脏损伤，心电图（ECG）可以作为Covid-19的诊断生物标志物。这项研究旨在利用ECG信号自动检测COVID-19。我们提出了一种从ECG纸记录中提取ECG信号的新方法，然后将其送入一维卷积神经网络（1D-CNN）中，以学习和诊断疾病。为了评估数字信号的质量，标记了基于纸张的ECG图像中的R峰。之后，将从每个图像计算的RR间隔与相应数字化信号的RR间隔进行比较。 COVID-19 ECG图像数据集上的实验表明，提出的数字化方法能够正确捕获原始信号，平均绝对误差为28.11 ms。我们提出的1D-CNN模型在数字化的心电图信号上进行了训练，允许准确识别患有COVID-19和其他受试者的个体，分类精度为98.42％，95.63％和98.50％，用于分类COVID-19 vs.正常，与正常人分类， COVID-19与异常心跳和Covid-19和其他类别分别与其他阶级。此外，提出的方法还为多分类任务实现了高级的性能。我们的发现表明，经过数字化的心电图信号训练的深度学习系统可以作为诊断Covid-19的潜在工具。

心电图（ECG）是用于监测心脏电信号和评估其功能的最常见和常规诊断工具。人心脏可能患有多种疾病，包括心律不齐。心律不齐是一种不规则的心律，在严重的情况下会导致心脏中风，可以通过ECG记录诊断。由于早期发现心律不齐非常重要，因此在过去的几十年中，计算机化和自动化的分类以及这些异常心脏信号的识别引起了很多关注。方法：本文引入了一种轻度的深度学习方法，以高精度检测8种不同的心律不齐和正常节奏。为了利用深度学习方法，将重新采样和基线徘徊清除技术应用于ECG信号。在这项研究中，将500个样本ECG段用作模型输入。节奏分类是通过11层网络以端到端方式完成的，而无需手工制作的手动功能提取。结果：为了评估提出的技术，从两个Physionet数据库，MIT-BIH心律失常数据库和长期AF数据库中选择了ECG信号。基于卷积神经网络（CNN）和长期记忆（LSTM）的组合，提出的深度学习框架比大多数最先进的方法显示出令人鼓舞的结果。所提出的方法达到98.24％的平均诊断准确性。结论：成功开发和测试了使用多种心电图信号的心律失常分类的训练有素的模型。意义：由于本工作使用具有高诊断精度的光分类技术与其他值得注意的方法相比，因此可以在Holter Monitor设备中成功实施以进行心律失常检测。

呼吸声分类中的问题已在去年的临床科学家和医学研究员团体中获得了良好的关注，以诊断Covid-19疾病。迄今为止，各种模型的人工智能（AI）进入了现实世界，从人类生成的声音等人生成的声音中检测了Covid-19疾病，例如语音/言语，咳嗽和呼吸。实现卷积神经网络（CNN）模型，用于解决基于人工智能（AI）的机器上的许多真实世界问题。在这种情况下，建议并实施一个维度（1D）CNN，以诊断Covid-19的呼吸系统疾病，例如语音，咳嗽和呼吸。应用基于增强的机制来改善Covid-19声音数据集的预处理性能，并使用1D卷积网络自动化Covid-19疾病诊断。此外，使用DDAE（数据去噪自动编码器）技术来产生诸如输入功能的深声特征，而不是采用MFCC（MEL频率跳跃系数）的标准输入，并且它更好地执行比以前的型号的准确性和性能。

可穿戴设备和医疗器互联网（IOMT）的最新发展允许实时监控和记录心电图（ECG）信号。然而，由于能量和内存约束，对ECG信号的连续监测在低功耗可穿戴设备中具有挑战性。因此，在本文中，我们提出了一种新颖和节能的方法，用于连续监测低功耗可穿戴设备的心脏。所提出的方法由三个不同的层组成：1）噪声/伪像检测层，以级别ECG信号的质量; 2）正常/异常拍摄分类层以检测心电图信号中的异常，3）异常搏动分类层以检测来自ECG信号的疾病。此外，分布式多输出卷积神经网络（CNN）架构用于降低边缘/云之间的能量消耗和等待时间。我们的方法论在众所周知的MIT-BIH心律失常数据集上达到了99.2％的准确性。 Real硬件的评估表明，我们的方法是适用于具有32KB最小RAM的设备。此外，与最先进的工作相比，所提出的方法可以获得7美元的能效。

心血管疾病（CVD）是全球死亡的第一大原因。尽管有越来越多的证据表明心房颤动（AF）与各种CVD有着密切的关联，但这种心律不齐通常是使用心电图（ECG）诊断的，这是一种无风险，无侵入性和具有成本效益的工具。在任何威胁生命的疾病/疾病发展之前，不断和远程监视受试者的心电图信息迅速诊断和及时对AF进行预处理的潜力。最终，可以降低CVD相关的死亡率。在此手稿中，展示了体现可穿戴心电图设备，移动应用程序和后端服务器的个性化医疗系统的设计和实施。该系统不断监视用户的心电图信息，以提供个性化的健康警告/反馈。用户能够通过该系统与他们的配对健康顾问进行远程诊断，干预措施等。已经评估了实施的可穿戴ECG设备，并显示出极好的一致性（CVRMS = 5.5％），可接受的一致性（CVRMS = CVRMS = CVRMS = 12.1％），可忽略不计的RR间隙错误（<1.4％）。为了提高可穿戴设备的电池寿命，提出了使用ECG信号的准周期特征来实现压缩的有损压缩模式。与公认的架构相比，它在压缩效率和失真方面优于其他模式，并在MIT-BIH数据库中以ECG信号的某个PRD或RMSE达到了至少2倍的Cr。为了在拟议系统中实现自动化AF诊断/筛查，开发了基于重新系统的AF检测器。对于2017年Physionet CINC挑战的ECG记录，该AF探测器获得了平均测试F1 = 85.10％和最佳测试F1 = 87.31％，表现优于最先进。

Mechanistic cardiac electrophysiology models allow for personalized simulations of the electrical activity in the heart and the ensuing electrocardiogram (ECG) on the body surface. As such, synthetic signals possess known ground truth labels of the underlying disease and can be employed for validation of machine learning ECG analysis tools in addition to clinical signals. Recently, synthetic ECGs were used to enrich sparse clinical data or even replace them completely during training leading to improved performance on real-world clinical test data. We thus generated a novel synthetic database comprising a total of 16,900 12 lead ECGs based on electrophysiological simulations equally distributed into healthy control and 7 pathology classes. The pathological case of myocardial infraction had 6 sub-classes. A comparison of extracted features between the virtual cohort and a publicly available clinical ECG database demonstrated that the synthetic signals represent clinical ECGs for healthy and pathological subpopulations with high fidelity. The ECG database is split into training, validation, and test folds for development and objective assessment of novel machine learning algorithms.

信号处理是几乎任何传感器系统的基本组件，具有不同科学学科的广泛应用。时间序列数据，图像和视频序列包括可以增强和分析信息提取和量化的代表性形式的信号。人工智能和机器学习的最近进步正在转向智能，数据驱动，信号处理的研究。该路线图呈现了最先进的方法和应用程序的关键概述，旨在突出未来的挑战和对下一代测量系统的研究机会。它涵盖了广泛的主题，从基础到工业研究，以简明的主题部分组织，反映了每个研究领域的当前和未来发展的趋势和影响。此外，它为研究人员和资助机构提供了识别新前景的指导。

背景：基于AI的足够大型，精心策划的医疗数据集的分析已被证明有望提供早期检测，更快的诊断，更好的决策和更有效的治疗方法。但是，从多种来源获得的如此高度机密且非常敏感的医疗数据通常受到高度限制，因为不当使用，不安全的存储，数据泄漏或滥用可能侵犯了一个人的隐私。在这项工作中，我们将联合学习范式应用于异质的，孤立的高清心电图集，该图从12铅的ECG传感器阵列到达来训练AI模型。与在中心位置收集相同的数据时，我们评估了所得模型的能力，与经过训练的最新模型相比，获得了等效性能。方法：我们提出了一种基于联合学习范式训练AI模型的隐私方法，以培训AI模型，以实现异质，分布式，数据集。该方法应用于基于梯度增强，卷积神经网络和具有长期短期记忆的复发神经网络的广泛机器学习技术。这些模型在一个心电图数据集上进行了培训，该数据集包含从六名地理分开和异质来源的43,059名患者收集的12个铅录音。研究结果：用于检测心血管异常的AI模型的结果集获得了与使用集中学习方法训练的模型相当的预测性能。解释：计算参数的方法在本地为全局模型做出了贡献，然后仅交换此类参数，而不是ML中的整个敏感数据，这有助于保留医疗数据隐私。

睡眠呼吸暂停（SA）是一种睡眠障碍，其特征是打s和慢性睡眠，这可能导致严重的疾病，例如高血压，心力衰竭和心肌病（心脏肌肉组织的增大）。心电图（ECG）在识别SA中起着至关重要的作用，因为它可能显示出异常的心脏活性。对基于ECG的SA检测的最新研究集中在功能工程技术上，这些技术从多铅ECG信号中提取特定特征，并将其用作分类模型输入。在这项研究中，提出了一种基于S峰检测的新型特征提取方法，以增强使用单铅ECG对相邻SA段的检测。特别是，使用单个铅（V2）收集的ECG特征用于识别SA发作。在提取的功能上，对CNN模型进行了训练以检测SA。实验结果表明，所提出的方法从单铅ECG数据中检测到SA比现有的最新方法更准确，具有91.13％的分类精度，敏感性为92.58％和88.75％的特异性。此外，与S峰相关的特征的进一步使用可以提高分类准确性0.85％。我们的发现表明，提出的机器学习系统有可能成为检测SA发作的有效方法。

本文提出了一个低成本且高度准确的ECG监测系统，用于针对可穿戴移动传感器的个性化早期心律不齐检测。对个性化心电图监测的早期监督方法需要异常和正常的心跳来训练专用分类器。但是，在真实的情况下，个性化算法嵌入了可穿戴设备中，这种训练数据不适合没有心脏障碍史的健康人。在这项研究中，（i）我们对通过稀疏字典学习获得的健康信号空间进行了无空间分析，并研究了如何简单的无效空间投影或基于最小二乘的规范性分类方法可以降低计算复杂性，而无需牺牲牺牲计算的复杂性。与基于稀疏表示的分类相比，检测准确性。 （ii）然后，我们引入了基于稀疏表示的域适应技术，以便将其他现有用户的异常和正常信号投射到新用户的信号空间上，使我们能够训练专用的分类器而无需​​新用户的任何异常心跳。因此，无需合成异常的心跳产生，可以实现零射学习。在基准MIT-BIH ECG数据集上执行的一组大量实验表明，当该基于域的基于域的训练数据生成器与简单的1-D CNN分类器一起使用时，该方法以明显的差距优于先前的工作。 （iii）然后，通过组合（i）和（ii），我们提出了一个整体分类器，以进一步提高性能。这种零射门心律失常检测的方法的平均准确性水平为98.2％，F1得分为92.8％。最后，使用上述创新提出了一个个性化的节能ECG监测计划。

心脏听诊是用于检测和识别许多心脏病的最具成本效益的技术之一。基于Auscultation的计算机辅助决策系统可以支持他们的决定中的医生。遗憾的是，在临床试验中的应用仍然很小，因为它们中的大多数仅旨在检测音盲局部信号中的额外或异常波的存在，即，仅提供二进制地面真理变量（普通VS异常）。这主要是由于缺乏大型公共数据集，其中存在对这种异常波（例如，心脏杂音）的更详细描述。为基于听诊的医疗建议系统铺平了更有效的研究，我们的团队准备了目前最大的儿科心声数据集。从1568名患者的四个主要听诊位置收集了5282个录音，在此过程中，手动注释了215780人的心声。此外，并且首次通过专家注释器根据其定时，形状，俯仰，分级和质量来手动注释每个心脏杂音。此外，鉴定了杂音的听诊位置以及杂音更集中检测到杂音的位置位置。对于相对大量的心脏声音的这种详细描述可以为新机器学习算法铺平道路，该算法具有真实世界的应用，用于检测和分析诊断目的的杂波。

如今，人工智能（AI）已成为临床和远程医疗保健应用程序的基本组成部分，但是最佳性能的AI系统通常太复杂了，无法自我解释。可解释的AI（XAI）技术被定义为揭示系统的预测和决策背后的推理，并且在处理敏感和个人健康数据时，它们变得更加至关重要。值得注意的是，XAI并未在不同的研究领域和数据类型中引起相同的关注，尤其是在医疗保健领域。特别是，许多临床和远程健康应用程序分别基于表格和时间序列数据，而XAI并未在这些数据类型上进行分析，而计算机视觉和自然语言处理（NLP）是参考应用程序。为了提供最适合医疗领域表格和时间序列数据的XAI方法的概述，本文提供了过去5年中文献的审查，说明了生成的解释的类型以及为评估其相关性所提供的努力和质量。具体而言，我们确定临床验证，一致性评估，客观和标准化质量评估以及以人为本的质量评估作为确保最终用户有效解释的关键特征。最后，我们强调了该领域的主要研究挑战以及现有XAI方法的局限性。

在初步诊断和分析心脏缺陷，ECG信号发挥着重要作用。本文介绍了使用噪声滤波，独特的心电图特征和基于机器学习的分类器模型预测心室性心动过速心律失常的模型。在信号特征提取之前，我们可以拒绝并使信号脱落以消除正确检测特征的噪声。在提取必要的特征之后，测量与这些特征相关的必要参数。使用这些参数，我们使用的是一种高效的多键级分类器模型，使用机器学习方法可以有效地分类不同类型的心室性心动过速心律失常。我们的结果表明，基于逻辑回归和决策树的模型是用于检测心室性心动过速的最有效的机器学习模型。为了诊断心脏病并为患者寻找护理，需要早期，可靠的不同类型心律失常的诊断。通过实施我们提出的方法，这项工作涉及减少与心室性心动过速有关的关键信号的错误分类问题的问题。实验结果表明了我们提出的算法的令人满意的增强，并表现出高度的恢复力。通过这种帮助，医生可以提前评估这种患者的这种心律失常，并在适当的时间作出正确的决定。

准确诊断睡眠障碍对于临床评估和治疗至关重要。多元素摄影（PSG）长期以来用于检测各种睡眠障碍。在本研究中，心电图（ECG）和电磁影（EMG）已被用于识别呼吸和运动相关的睡眠障碍。除了使用SynchroSquezed小波变换（SSWT）开发迭代脉冲峰值检测算法之外，还通过提取EMG特征来执行生物信号处理，除了开发迭代脉冲峰值检测算法以获得来自ECG的心率和呼吸相关特征的可靠提取心率和呼吸相关的特征。深度学习框架旨在融入EMG和ECG功能。该框架已被用于对四组进行分类：健康受试者，患者阻塞性睡眠呼吸暂停（OSA），患者患者患者，患者患者和OSA和RLS患者。拟议的深度学习框架在我们制定的四类问题的主题中产生了平均准确性为72％，重量F1分数为0.57分。

对心电图（ECG）信号的调查是诊断心脏病的必要方式，因为ECG过程是非侵入性的，易于使用。这项工作介绍了由几个阶段组成的Supraventriculary的心律失常预测模型，包括噪声过滤，唯一的ECG特征集合，以及自动学习分类模型，以分类不同类型，具体取决于它们的严重程度。我们在执行提取之前，我们去趋势和解除噪声降低噪声以更好地确定功能的信号。之后，我们呈现一个R峰值检测方法和Q-S检测方法作为必要的特征提取的一部分。计算对应于这些功能的下一个参数。使用这些特征，我们已经开发了一种基于机器学习的分类模型，可以成功地分类不同类型的Supraventricular contcardia。我们的研究结果表明，基于决策树的模型是Supraventriculary心动过速心律失常最有效的机器学习模型。在所有机器学习模型中，该模型最有效地降低了Supranculary心动过速的关键信号错误分类。实验结果表明，令人满意的改进，并展示了提出的方法的优越效率，精度为97％。

心血管疾病（CVD）是一组心脏和血管疾病，是对人类健康最严重的危险之一，此类患者的数量仍在增长。早期，准确的检测在成功治疗和干预中起着关键作用。心电图（ECG）是识别各种心血管异常的金标准。在临床实践和当前大多数研究中，主要使用标准的12铅ECG。但是，使用较少的铅可以使ECG更加普遍，因为可以通过便携式或可穿戴设备来方便地记录它。在这项研究中，我们开发了一种新颖的深度学习系统，以仅使用三个ECG铅来准确识别多个心血管异常。

Cardiac resynchronization therapy (CRT) is a treatment that is used to compensate for irregularities in the heartbeat. Studies have shown that this treatment is more effective in heart patients with left bundle branch block (LBBB) arrhythmia. Therefore, identifying this arrhythmia is an important initial step in determining whether or not to use CRT. On the other hand, traditional methods for detecting LBBB on electrocardiograms (ECG) are often associated with errors. Thus, there is a need for an accurate method to diagnose this arrhythmia from ECG data. Machine learning, as a new field of study, has helped to increase human systems' performance. Deep learning, as a newer subfield of machine learning, has more power to analyze data and increase systems accuracy. This study presents a deep learning model for the detection of LBBB arrhythmia from 12-lead ECG data. This model consists of 1D dilated convolutional layers. Attention mechanism has also been used to identify important input data features and classify inputs more accurately. The proposed model is trained and validated on a database containing 10344 12-lead ECG samples using the 10-fold cross-validation method. The final results obtained by the model on the 12-lead ECG data are as follows. Accuracy: 98.80+-0.08%, specificity: 99.33+-0.11 %, F1 score: 73.97+-1.8%, and area under the receiver operating characteristics curve (AUC): 0.875+-0.0192. These results indicate that the proposed model in this study can effectively diagnose LBBB with good efficiency and, if used in medical centers, will greatly help diagnose this arrhythmia and early treatment.

为了产生最大的影响，必须使用基于证据的决策制定公共卫生计划。创建机器学习算法是为了收集，存储，处理和分析数据以提供知识和指导决策。任何监视系统的关键部分是图像分析。截至最近，计算机视觉和机器学习的社区最终对此感到好奇。这项研究使用各种机器学习和图像处理方法来检测和预测疟疾疾病。在我们的研究中，我们发现了深度学习技术作为具有更广泛适用于疟疾检测的智能工具的潜力，通过协助诊断病情，可以使医生受益。我们研究了针对计算机框架和组织的深度学习的共同限制，计算需要准备数据，准备开销，实时执行和解释能力，并发现对这些限制的轴承的未来询问。

Covid-19在全球范围内影响了223多个国家。迫切需要非侵入性，低成本和高度可扩展的解决方案来检测COVID-19，尤其是在PCR测试无普遍可用的低资源国家。我们的目的是开发一个深度学习模型，使用普通人群（语音录音和简短问卷）通过其个人设备自发提供的语音数据记录来识别Covid-19。这项工作的新颖性在于开发一个深度学习模型，以鉴定来自语音记录的199名患者。方法：我们使用了由893个音频样本组成的剑桥大学数据集，该数据集由4352名参与者的人群来源，这些参与者使用了COVID-19 Sounds应用程序。使用MEL光谱分析提取语音功能。根据语音数据，我们开发了深度学习分类模型，以检测阳性的Covid-19情况。这些模型包括长期术语记忆（LSTM）和卷积神经网络（CNN）。我们将它们的预测能力与基线分类模型进行了比较，即逻辑回归和支持向量机。结果：基于MEL频率CEPSTRAL系数（MFCC）功能的LSTM具有最高的精度（89％），其灵敏度和特异性分别为89％和89％，其结果通过提议的模型获得了显着改善，这表明该结果显着改善与艺术状态获得的结果相比，COVID-19诊断的预测准确性。结论：深度学习可以检测到199例患者的声音中的细微变化，并有令人鼓舞的结果。作为当前测试技术的补充，该模型可以使用简单的语音分析帮助卫生专业人员快速诊断和追踪Covid-19案例