跳到主要內容
 
:::

心電圖特徵影像進行病徵分類

心電圖特徵影像進行病徵分類
自動偵測心電圖病徵,降低醫生工作負擔

應用情境

異常心電圖(ECG)偵測 自動提取心電圖特徵並進行分類,協助醫生進行判讀。

企業痛點

診斷不易由於心律不齊自身的特性,病人需要配戴心電圖儀數周時間,很多時候醫術高超醫生也很難在良性和惡性心率不穩中做出判斷。

數據龐大心電圖産生的數據量巨大,借助傳統心電分析軟件也只能篩選可疑片段而不能準確診斷,醫生仍需花費大量時間進行分析,誤診率和漏診率很高。

解題方法

自動分類 卷積神經網絡(CNN)和循環神經網絡(RNN)用于心電圖特徵的自動提取與分類,顯著提高心電圖分析準確率。

判斷正常/異常心律: 辨識正常心電圖準確率達90%以上,異常準確率為79.5%,合併判讀準確率達87.1%。

相關競賽
應用CNN技術發展二維心電圖特徵影像進行病徵分類,並找ECG和血壓的關聯性以及HRV的特徵應用
相關成功方案
AI協助診斷肺部腫瘤
肺腫瘤3D影像自動偵測,提升醫生100%診斷效率,早期發現癌症
心電圖特徵影像進行病徵分類
自動偵測心電圖病徵,降低醫生工作負擔