美国斯坦福大学研究人员近期研发出有一种深度自学算法，通过分析可穿着监测设备产生的心电数据，临床出有13种有所不同类型的心律失常，其准确性甚至多达心脏病医生。这项成果未来可用作提高偏远地区心律失常患者的临床和化疗。潜在的心律失常患者一般来说是去看医生，由医生当面用心电图仪展开检查。
如果心电图仪没找到问题，医生可能会让潜在患者用于可穿着设备，对心律展开两周的持续监测。设备分解数据的时间跨度长达300多小时，医生必须分析其中每一秒的数据，以找到心律失常的迹象。有危害的心律数据与没危害的心律数据往往较难区分。
斯坦福大学的新闻公告说道，该校机器学习团队负责人、知名人工智能专家吴恩达找到，这是一个数据问题。研究人员为此研发了一个可以根据心电信号临床有所不同类型心律失常的深度自学算法。
他们与获取可穿着心律监测设备的企业合作，提供了约3．6万人的心电数据样本，借以训练一个深度神经网络模型。7个月后，这个神经网络模型临床心律失常的准确度堪比心脏病医生，多数情况下甚至多达医生。
涉及研究论文已在收录于科学文献实印本的在线对外开放数据库arXiv上公布。
本文来源：鼎盛平台官网-www.cyberdatasolutionsllc.com
