Apple Watch 新增的「房颤历史」功能已在国内上线，适用于 Apple Watch Series 6 及更新机型。该功能可监测房颤迹象，帮助患者早期发现心律失常，提供重要健康数据，便于日常管理与治疗。

该研究提出了一种高效、轻量且快速的心律失常诊断方法，结合心电图信号处理与深度学习，基于GRU的1D CNN模型准确率达到93.4%，可提升资源受限医疗环境中的诊断能力。

本研究解决了高精度分类心律失常电心图信号的问题，采用优化的双向长短期记忆（Bi-LSTM）模型和高级卷积神经网络（CNN）系统进行信号分类。研究发现，通过严格的交叉验证，CNN模型在分类五种不同类型的ECG信号方面表现出色，显示了基于AI的ECG分类器在远程健康监测和预测医疗等领域的广泛应用潜力。

本研究提出了一种混合位宽稀疏CNN加速器，有效解决心室性心律失常检测中的高功耗和低效率问题。该加速器在10.60μW功耗下实现150 GOPS性能和99.95%准确率，适合植入式和可穿戴医疗设备。

本文介绍了一种结合卷积神经网络和长短期记忆的架构，用于实时处理和分类PPG数据，以检测房颤。研究表明，该方法在心率估计和心律失常分类方面具有良好的准确性和效率，适合小型嵌入式设备，提升医疗监测的准确性。

该研究探讨了深度学习在心电图（ECG）分析中的应用，涵盖心律失常分类、心脏监测和疾病检测。提出了多种基于卷积神经网络的模型，展示了其在心脏健康监测和血流参数预测中的潜力，同时指出了可解释性和效率等挑战。

本研究提出了一种基于卷积神经网络（CNN）的心律失常分类新方法。利用多导联心电图（ECG）数据，模型在识别多种心律失常方面的平均准确率达到93.4%至95.9%。该方法有望提高心血管疾病的诊断准确性，改善患者治疗效果。

本研究开发了深度学习云服务CardioLearn，旨在提高心脏疾病检测的准确性。该服务利用双通道深度神经网络和便携式设备，能够实时检测心房颤动等心律失常。研究还总结了2010至2020年间深度学习在心电图分析中的应用，指出了可解释性和效率等挑战，并提出未来研究方向。

本文介绍了利用生成对抗网络（GAN）和深度学习技术生成与分析心电图（ECG）信号的方法。研究表明，单导联输入能够生成完整的12导联ECG信号，并有效预测心血管疾病（CVD）。通过无监督预训练和对比学习，模型在心律失常分类任务中取得了高准确率，显著提升了心电图的诊断性能，具有重要的临床应用价值。

浙江大学生物医学工程研究所原所长夏灵教授分享了个体化心脏建模仿真技术在心律失常消融、预测心律失常猝死风险等方面的应用。个体化心脏建模仿真技术能够精确消融心律失常，降低复发率。利用AI指导室速消融、房颤消融等手术已在美国成功实践。个体化心脏建模仿真技术能够一次性标测所有潜在靶点，提高成功率，降低复发率。此外，该技术还能预测心肌病室性心动过速风险。夏灵教授团队在心脏建模仿真方面取得了重要进展。

通过只使用 6k 个参数的微型 Transformer 模型，本文在 MIT-BIH 心律失常数据库上达到了 98.97％的识别准确率，并通过在低功耗微控制器设备上进行高效执行的 8 位整数推理，证明了其适用于可穿戴监测解决方案。

该研究提出了一种基于注意力机制的深度状态空间模型，将光电脉搏图信号转化为心电图波形，以检测心律失常。在MIMIC III数据库的55个受试者上进行了评估，实验结果证明了该方法的有效性和效率。

本文研究了自监督学习方法在心电图心律失常检测中的有效性，并对三个基于ECG的心律失常数据集进行了分布分析和实验评估。结果表明，SSL方法比监督方法更有效，其中SwAV表现最佳，并且在不同数据集上具有良好的泛化效果。作者还对SSL方法在三个数据集上的表现进行了详细的疾病研究。