引用 Wei G, Di X, Zhang W, et al. Estimating critical values from electrocardiogram using a deep ordinal convolutional neural network[J]. BMC Medical Informatics and Decision Making, 2022, 22(1): 295.临床实践中通常使用危机值来评估健康状况。医务人员可以通过危急值对患者进行及时救治，普通人也可以根据危急值迅速意识到健康风险。在本文中，我们将危急值的概念扩展到临床中最常用的生理信号之一——心电图 (ECG)。我们构建了一个基于有序回归的61层深度卷积神经网络，命名为 CardioV，其平均绝对误差为 0.4984，ROC-AUC 得分为 0.8735。此外，我们还发现该模型对较年轻群体的分类效果更好，而性别不影响其效果。通过可视化技术我们发现该模型关注ECG中指示病灶的特征位置。

引用 周杨， 章德云， 魏国栋，等.基于纸质版心电图应用深度学习算法定位流出道室性心律失常起源部位的研究[J]. 中华心律失常学杂志，2022，26(2):5.
我们应用深度学习算法建立基于纸质版12导联体表心电图的人工智能模型，评估并比较其与心律失常专科医生对流出道室性心律失常起源部位定位的效能。实验数据为2011年5月1日至2020年12月31日于首都医科大学附属北京朝阳医院，温州医科大学附属第二医院，浙江大学医学院附属邵逸夫医院，北京大学第三医院经射频消融术成功治疗的527例流出道室性心律失常患者的861份纸质版室性心律失常心电图。深度学习模型的灵敏度，特异度，准确率，受试者工作特征曲线下面积，F1指数分别为94.0%，83.3%，93.0%，0.93和0.96。

本发明公开了一种基于RR间期空间特征的房颤分类方法、装置及系统，其方法包括：获取固定时长的RR间期序列，对所述RR间期序列进行预处理；对所述预处理后的RR间期序列进行滑窗切割获取RR间期序列对应的多维数据矩阵，对所述多维数据矩阵进行傅里叶变换获取其多维空间相位数据；基于主成分分析法对所述多维空间相位数据进行降维，对降维后的数据进行特征提取，获得特征矩阵；将所述特征矩阵输入至房颤分类模型，获取房颤预测概率；将所述预测概率与预设房颤划分阈值对比，确定房颤预测结果；本方法有效地获取房颤心律与其他类型心律在RR间期空间特征上的差异，有效实现了房颤识别。

一种心音图信号转换心电图信号的方法，包括以下步骤：同时采集心音图和单导联心电图信号数据，并且降采样至预设的相同频率；执行数据离散化处理，两种信号的信号值被从浮点数范围离散化至整数范围；提取心电图信号的心动周期片段；截取同时采集的心音图信号对应的心动周期片段；选取输入基准长度，其中，如果长度超过输入基准长度，截取到输入基准长度，如果不足输入基准长度，在后面执行补零处理；构建心音图信号‑心电图信号转换模型；执行心音图信号‑心电图信号转换模型的训练；以及执行心音图信号‑心电图信号转换模型的应用。