PulseAugur
中
实时 11:49:09
English(EN) The Impact of Temporal Context Length and Encoding Strategies on Self-Supervised ECG Representation Learning

心电图表示学习受益于扩展上下文和连续嵌入

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新发表在arXiv上的研究探讨了自监督学习在心电图（ECG）数据上的有效性。研究人员调查了不同的时间上下文长度和编码策略如何影响这些模型的性能。研究结果表明，与16秒的短快照相比，更长的输入视野，特别是5分钟和10分钟，在心律推断和纵向一致性方面表现更好。此外，连续的块嵌入被证明优于离散化标记，这表明量化可能导致临床相关波形细节的丢失。 AI

影响 建议用于心电图分析的基础模型应优先考虑扩展上下文和连续编码器，以获得更好的临床预测。

排序理由 学术论文，详细介绍了关于心电图数据自监督学习的对照研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

心电图表示学习受益于扩展上下文和连续嵌入

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ahmed Sameh, Ramzi Al-Sharawi, Yogatheesan Varatharajah ·

    时间上下文长度和编码策略对自监督心电图表示学习的影响

    arXiv:2608.12695v1 Announce Type: new Abstract: Self-supervised electrocardiogram (ECG) models are often trained on a few seconds of ECG signal and, increasingly, on discretized token sequences. It remains unclear whether these choices sacrifice information needed for rhythm infe…

相关实体

相关话题