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。

本文总结了2010年至2020年间应用深度学习模型于心电图(ECG)数据的研究，发现深度学习在心电图分析中有广泛应用，包括疾病检测、标注定位、睡眠分期、生物度量和去噪等。混合体系结构表现最佳，同时也提出了未来研究方向和挑战。

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。