electrocardiography
PulseAugur coverage of electrocardiography — every cluster mentioning electrocardiography across labs, papers, and developer communities, ranked by signal.
- uses photoplethysmogram 90%
- used by photoplethysmogram 70%
- affiliated with photoplethysmogram 70%
- instance of atrial fibrillation 70%
- instance of Gotit.pub 70%
- used by atrial fibrillation 70%
- competes with echocardiography 70%
- used by phonocardiogram 70%
- used by Photoplethysmography 70%
- used by Gotit.pub 60%
- other Electromyography 50%
- used by echocardiography 50%
8 天有情绪数据
-
新AI模型可从单帧合成完整心脏MRI，无需ECG门控
两篇研究论文介绍了一种新颖的生成框架PhaseFlow3D和PhaseFlow，用于从单个舒张末期3D容积合成完整的4D心脏电影MRI序列。这些方法消除了心电图（ECG）门控的需要，而ECG门控是心脏MRI采集中的一个标准但具有挑战性的要求。这两种方法都利用了基于心脏相位信息进行条件约束的流匹配模型来生成逼真的心脏运动轨迹，最终通过扭曲初始MRI帧来产生完整的心脏周期。合成序列在计算射血分数和心室容积等关键生理指标方面显示出更高的准确…
-
新型AI模型从可穿戴传感器数据重建心电图
研究人员开发了BeatFlow-ECG，一种从间接可穿戴传感器数据重建心电图（ECG）信号的新型模型。该模型利用光电容积脉搏波描记法（PPG）和惯性测量单元（IMU）数据生成心电图读数，这些读数信息量更大但更难持续收集。BeatFlow-ECG在波形和时间精度方面优于现有的确定性、对抗性和基于扩散的方法，在相关性和R峰F1分数方面均有显著提高。
-
新的心电图基础模型利用多源临床数据增强健康监测
研究人员开发了一种新的心电图（ECG）分析基础模型，名为MS-ECG-FM。与以往仅依赖心电图解读报告的模型不同，MS-ECG-FM通过与多种临床笔记类型（包括超声心动图、放射学和出院报告）进行对比学习对齐进行训练。这种多源方法使模型能够捕捉心电图数据中存在的更广泛的诊断信号，从而在各种检测基准上取得优越的性能，即使在减少导联的配置下也是如此。
-
深度学习模型在新基准测试中优于ECG描绘工具
一篇新发表在arXiv上的研究论文详细介绍了一个多数据集基准测试，将标签高效的深度学习模型用于心电图（ECG）描绘，并与广泛使用的工具进行了比较。研究发现，自监督预训练与适当的微调目标相结合，可以显著提高描绘的准确性。所开发的深度学习模型在多个指标和数据集上均优于NeuroKit2、Prominence、ECGdeli和CalECG等成熟工具，展示了其在临床应用中的潜力。
-
新理论区分信息保持与预测贡献
一篇新论文介绍了互补特征域（CFD）理论，该理论将预测价值表征为一种与上下文相关的贡献系统。研究表明，保持香农信息不一定能保持这种贡献系统，因为可逆的表征变换会改变预测贡献。该论文用CFD贡献缺陷的形式化了这种变化，并表明对于有界Lipschitz效用，联盟效用变化受到行为距离的约束。一项使用心电图数据的实验说明了非线性重编码如何在保持信息的同时改变准确性，而精确的逆变换可以恢复准确性。
-
TinyML ECG个性化利用微控制器上的原型适配
研究人员开发了一种新颖的设备端心电图（ECG）系统个性化方法，解决了在不要求大量计算资源的情况下适应个体患者生理特征的挑战。提出的“仅原型头适配”技术利用了一个在离线训练并在PSoC 6微控制器上部署的紧凑型一维卷积神经网络。该方法通过高效计算类别均值实现患者特定适配，显著提高了心律失常检测的准确性，优于传统的微调方法，并且只需要最少的内存和处理能力。
-
BeatGraph 模型使用心跳图进行婴儿心电图分析
研究人员开发了 BeatGraph，这是一种新颖的自监督学习模型，旨在更有效地表示婴儿心电图 (ECG) 数据。与将心电图信号分割成任意块的传统方法不同，BeatGraph 将每次心跳视为一个独立的单元，将 30 秒窗口建模为心跳图。通过优于现有基线，这种方法提高了各种婴儿健康监测任务的性能，包括睡眠-觉醒检测和活动识别。该模型还在不同年龄组和基准之间表现出强大的可迁移性，研究人员正在发布一个新的公共婴儿心电图记录语料库以支持进一步的研究。
-
NeuroECG利用ECG数据进行心脏骤停后的神经预后
研究人员开发了NeuroECG，一个新颖的深度学习框架，它利用心电图（ECG）数据来预测心脏骤停后的神经预后，旨在减少对资源密集型脑电图（EEG）的依赖。该框架通过微调一个预训练的ECG基础模型ECGFounder，并采用分位数池化和主成分分析等技术来提取深度ECG表征。在412名患者身上进行的测试中，NeuroECG使用其适配的骨干网络达到了0.7333的测试AUROC，当与临床协变量结合时，提高到0.8077，证明了在无脑电图环境…
-
新AI工具筛选多模态心电图记录以确保患者数据完整性
研究人员开发了SHIFT-M3，一种新的基于文本的筛选方法，旨在确保多模态临床记录的完整性，特别关注心电图数据。该系统旨在检测记录不同组成部分之间的不一致性，例如波形数据和临床报告，这可能表明记录的某些部分属于不同的患者。SHIFT-M3在识别这些跨患者数据交换方面表现出高准确性，优于简单的词汇基线，并在检测部分交换和具有挑战性的阴性病例方面显示出特别的优势。
-
新的DCRA框架增强了临床数据时间序列学习的鲁棒性
研究人员开发了一个名为扩散条件表示对齐（DCRA）的新训练框架，旨在提高时间序列学习的鲁棒性，特别是在脑电图（EEG）和心电图（ECG）分析等临床应用中。DCRA利用前向扩散过程创建结构化的腐蚀轨迹，从而在不同噪声水平下实现表示的可控演化。这种方法可以与状态空间模型（State Space Models）和Transformer等各种架构集成，并在嘈杂条件下在CHB-MIT EEG数据集上显示出改进的癫痫检测性能。
-
新型神经网络模型分析心电图以估算呼吸频率
一篇新的研究论文详细介绍了一个深度学习模型，该模型旨在通过分析心电图（ECG）信号来估算呼吸频率。该模型利用呼吸性窦性心律不齐（RSA）和三种不同的神经网络架构，直接从心电图数据中提取特征，提供了一种非侵入性的呼吸监测方法。该方法旨在提高鲁棒性和可扩展性，并可能应用于医疗保健和可穿戴设备。
-
新的VAE方法有助于心肌瘢痕诊断的ECG分析
研究人员开发了一种新的方法，使用变分自编码器（VAE）来分析心电图（ECG）数据，以进行心肌瘢痕的鉴别诊断。该研究评估了$\beta$-VAE衍生的ECG表示与传统的机器学习模型（如随机森林和梯度提升）的对比，比较了它们区分有心肌瘢痕和无心肌瘢痕患者的能力。值得注意的是，$\beta$-VAE的重构误差在不同的ECG导联之间显示出显著差异，表明它们有潜力作为瘢痕相关ECG改变的标志物。
-
AI框架增强心血管疾病早期风险评估
研究人员开发了一个新颖的框架，结合了机器学习和深度神经网络，用于心血管疾病的早期检测。该系统利用来自物联网医疗设备（如心电图和血压监测器）的数据来识别关键健康指标。通过在集成架构中采用特征选择和优化的分类器（如支持向量机、随机森林和XGBoost），该框架旨在提高诊断准确性并减少假阳性。该系统设计用于云基础设施上的可扩展性，为主动医疗管理和临床决策支持提供了潜力。
-
综述探讨生物信号分析中机器学习的不确定性量化
一篇近期的综述论文探讨了不确定性量化（UQ）在用于生物信号分析的机器学习模型中的应用。研究强调了UQ在提高预测的可解释性和鲁棒性方面的潜力，特别是在脑电图（EEG）、心电图（ECG）和肌电图（EMG）等信号分析中，这些信号通常存在噪声，并且在医疗环境中需要高度的人类可解释性。该论文识别了现有的各种UQ方法及其局限性，并提出了未来研究的建议，强调需要研究在临床环境中人类和系统如何与感知不确定性的模型进行交互。
-
新框架通过自适应资源分配增强心血管传感
研究人员开发了一个名为生理信息可靠性（PIR）的新框架，以提高心血管传感系统的准确性和效率。PIR采用上下文老虎机方法，根据信号质量、无线条件、能量水平和计算约束来调整传感和通信决策。该框架集成了心电图（ECG）和光电容积脉搏波描记图（PPG）信号质量估计与自适应网络编码层。实验表明，与传统方法相比，PIR-LinUCB在保持医疗延迟和性能的同时，降低了能耗。
-
频率选择性神经网络以物理可解释性推动时间序列学习发展
研究人员推出了一种新颖的架构——频率选择性神经网络（FSNN），旨在通过明确整合信号处理数学来改进时间序列学习。与CNN、循环神经网络和Transformer等现有模型不同，FSNN旨在通过直接识别和分离数据中的物理模式来克服“频谱纠缠”。这种方法已展示出最先进的性能，在标准数据集上实现了高精度，并在临床心电图基准测试中处于领先地位，同时还提供了对学习到的频带具有物理意义的解释。
-
AI工具在2秒内发现心脏病
研究人员开发了一种人工智能工具，能够在两秒钟内从心电图（ECG）读数中检测出心脏病。该AI分析心电图以提取人眼通常无法辨别到的细微信息，有可能加速心力衰竭和瓣膜疾病等病症的诊断。这项在欧洲心脏病学会大会上展示的技术在试验中显示出高准确性，并可能有助于优先安排患者进行进一步扫描，从而实现早期治疗。
-
Whoop 推出 199 美元至 359 美元的会员套餐，新增高级健康功能
Whoop 推出了其健身可穿戴设备的三个新会员套餐，年费从 199 美元到 359 美元不等。最高级别的“Whoop Life”套餐包括血压洞察和具有心电图功能的心脏筛查器，以检测房颤。虽然这些高级健康监测工具可能对有特定健康问题或心脏病家族史的个人很有价值，但较低级别的“Whoop One”和“Whoop Peak”套餐为普通用户提供了全面的健身和恢复跟踪。
-
心电图导联通道分配策略取决于诊断评估器
一篇新研究论文探讨了心电图（ECG）导联通道分配策略对所使用的特定诊断评估器的依赖性。研究发现，为某个评估器优化的策略在应用于另一个评估器时可能表现不佳，这表明应与预期的诊断模型一起开发和验证自适应心电图系统。这项研究突出了为改善患者护理而联合优化传感和诊断系统这一开放性问题。
-
CardioFusion-AI 框架增强了 ECG-PPG 融合，实现了鲁棒的生理监测
研究人员开发了 CardioFusion-AI，一个用于融合心电图 (ECG) 和光电容积脉搏波图 (PPG) 信号的新型框架，以实现更鲁棒的生理监测。该系统旨在克服 ECG 和 PPG 传感器各自的脆弱性，这些传感器容易受到运动伪影或接触不良等因素造成的信号退化。该框架采用了先进的信号处理技术，包括 R 波峰和收缩峰检测、信号质量指数以及脉搏传导时间估计，在各种退化场景下均显示出更高的准确性。