electrocardiography
PulseAugur coverage of electrocardiography — every cluster mentioning electrocardiography across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
新AI框架将胎儿心电图转换为多普勒波形
研究人员开发了一种新颖的跨模态生成框架，可将胎儿心电图（fECG）信号转换为胎儿多普勒波形。该模型利用了扩张卷积和跨模态注意力机制，以整合母体心电图数据并捕捉时间依赖性。在对39例妊娠的数据进行训练后，与基线方法相比，该框架合成的多普勒包络的功率谱密度均方误差显著降低，并且心率误差也有所改善。
-
Omni-Sleep 基础模型采用层级学习进行高级睡眠分析
研究人员开发了 Omni-Sleep，这是一种新颖的睡眠分析基础模型，它利用层级对比学习。该模型整合了中枢神经系统 (CNS) 和自主神经系统 (ANS) 的生理组织，从多模态多导睡眠图 (PSG) 信号中学习结构化表示。Omni-Sleep 在超过 10 万小时的数据上进行了预训练，在睡眠分期和疾病分类方面表现优于现有基线，显示出更好的泛化性和鲁棒性。
-
新的个性化联邦学习方法改进了ECG分类
研究人员开发了FedDualAtt，一种新颖的个性化联邦学习方法，旨在改进心电图（ECG）分类。该方法通过将Transformer注意力头分为全局和局部分支，解决了不同医疗机构之间数据异构性的挑战。全局头通过聚合捕获共享模式，而局部头则适应机构特定的数据特征。在FedCVD基准上的实验表明，FedDualAtt在ECG分类方面优于现有的联邦和个性化联邦学习技术。
-
新的REAN技术平衡心电图隐私与效用
研究人员开发了REAN，一种用于心电图（ECG）数据的新型匿名化技术，解决了长期的隐私-效用权衡问题。REAN采用1-D U-Net架构，并使用隐私和效用分类器进行训练以重构ECG信号。该方法实现了隐私和效用之间近乎正交的梯度，从而在对数据效用影响最小的情况下显著增强隐私。在公开的PhysioNet数据库上进行测试，REAN有效地将重新识别风险降低到偶然水平，同时保持了心律失常检测的高准确性。
-
ECG 基础模型在罕见心脏病方面的迁移能力有限
一项新近发表在 arXiv 上的研究调查了基础模型（FMs）在检测致心律不齐综合征（一种罕见心脏病）方面的有效性。研究发现，虽然基础模型可以改进高容量架构的优化，但它们本身并不为罕见病提供可迁移的临床知识。在零样本跨站点迁移场景下，基于基础模型的管道表现与监督基线相似，这表明模型架构和数据领域对齐比单独的预训练更能捕捉有临床意义的表征。
-
新型 MambaCapsule 模型增强了心电图心脏病诊断的透明度
研究人员开发了 MambaCapsule，这是一种新颖的深度神经网络，用于利用心电图 (ECG) 信号进行透明的心脏病诊断。该模型集成了 Mamba 进行特征提取和 Capsule 网络进行预测，旨在提高可解释性以及诊断性能。MambaCapsule 不仅提供置信度评分，还能重建信号特征以展示其对数据的理解，解决了当前用于 ECG 分析的深度学习模型缺乏透明度的问题。该模型在 MIT-BIH 和 PTB 数据集上分别达到了 99.54…
-
人工智能助力心音分类，用于心血管疾病检测
研究人员开发了一种新颖的方法，利用多模态和多通道心音数据对心血管疾病进行分类。通过结合传统的信号处理与WaveGrad和DiffWave等去噪扩散模型，他们创建了一个增强型数据集。然后，该数据集被用于微调基于Wav2Vec 2.0的分类器，在各种数据集上取得了最先进的性能，包括单通道心电图（PCG）、同步的PCG和心电图（ECG）信号，以及来自可穿戴背心的多通道PCG（mPCG）。
-
PPO驱动的自适应滤波框架在信号去噪方面展现出潜力
研究人员开发了一种利用近端策略优化（PPO）这一强化学习技术的新型自适应滤波框架。这种PPO驱动的方法旨在复杂、非平稳环境中对信号进行去噪，其性能优于卡尔曼滤波器等传统方法。该框架在合成数据和真实心电图（ECG）记录上进行了测试，证明了其在减少噪声和实现实时推理方面的有效性。
-
新AI方法改进ECG部署，无需保留原始数据
研究人员开发了一种名为“ours”的新颖方法，用于在无法保留早期原始数据的多源心电图（ECG）场景中部署AI模型。该方法冻结预训练的主干网络，并为每个新数据源分配一个独立的分类器，以防止干扰。训练一个轻量级路由器，利用保留的特征和领域标签来选择合适的专家，并通过验证校准的边际规则融合最有可能的两个专家。虽然在多个数据集上，源感知专家选择实现了0.7915的Macro-F1分数，但无ID的自主源推理仍然是主要瓶颈，所提出的融合方法相比标…
-
新框架TimeSynth对健康信号预测模型进行基准测试
研究人员推出TimeSynth，一个旨在对健康信号数字孪生预测模型进行基准测试的新框架。该框架解决了当前点状指标的局限性，这些指标未能检测到生理信号在振荡、频率、相位和状态转换动态方面的关键损失。TimeSynth包含一个生成器，用于从真实的脑电图、心电图和光电容积脉搏波描记图数据中创建具有已知地面真实动态的信号，并附带用于量化保真度的诊断工具。研究发现，线性和注意力模型通常会丢失频率和相位信息，而具有局部时间结构的架构则能更好地保留这些动态。
-
深度学习模型利用ECG生物标志物预测心脏骤停
研究人员开发了一种深度学习模型，能够识别预测心脏骤停的心电图（ECG）生物标志物。这种人工智能驱动的方法在与传统的基于左心室射血分数（LVEF）的风险分层方法相比时，表现出更优越的性能。该模型的有效性已在来自瑞典、美国和台湾的不同患者队列中得到验证。
-
人工智能模型利用24小时心电图数据预测心力衰竭风险
研究人员开发了一个名为DeepHHF的深度学习模型，该模型可以使用24小时心电图（ECG）数据预测五年内发生心力衰竭的风险。该模型在Technion-Leumit Holter ECG (TLHE) 数据集上进行训练，在受试者工作特征曲线下面积（AUC）方面达到了0.80，优于传统方法。可解释性分析显示，DeepHHF关注心律失常和心脏异常，凸显了人工智能在无创且易于获取的心力衰竭风险预测方面的潜力。
-
新的SL-S4Wave框架增强了生理波形的人工智能建模
研究人员开发了SL-S4Wave，一个新颖的自监督学习框架，旨在对ECG和EEG数据等复杂的生理波形进行建模。该框架集成了对比学习和一个专门的结构化状态空间模型（S4）编码器，该编码器能有效捕捉嘈杂的多通道信号中的短期模式和长期依赖关系。实验表明，SL-S4Wave在心律失常检测和EEG分析等任务上显著优于现有方法，展示了强大的标签效率和鲁棒的泛化能力。
-
生物医学工程：原则、历史与应用
生物医学工程是一个多学科领域，将工程原理应用于医学和生物学，专注于设备设计、生物材料和医学成像等领域。关键原则包括跨学科方法、扎实的医学知识、伦理考量和法规遵从。该领域的历史从古代假肢一直延伸到组织工程、AI集成和个性化医疗的现代进步。
-
UniECG模型提供交互式心电图学习和生成
研究人员开发了UniECG，一个新颖的统一模型，专为交互式心电图（ECG）教育而设计。该模型可以为给定的心电图信号或图像生成基于证据的解释，反之亦然，可以根据文本学习目标创建相应的ECG信号。UniECG采用两阶段设计，首先从ECG信号、图像和文本数据集中学习基础的ECG解释，然后结合与文本条件扩散模型对齐的特殊ECG生成令牌，以实现可控信号生成。该系统旨在作为一种教育辅助工具，以增强基于案例的学习和交互式AI辅助的ECG教育，而不是…
-
AI模型Echo2ECG利用超声心动图数据增强心电图分析
研究人员开发了Echo2ECG，一个新颖的多模态自监督学习框架，旨在通过整合多视角超声心动图（Echo）的心脏形态数据来增强心电图（ECG）表示。该方法旨在实现直接从ECG预测形态表型，例如左心室射血分数，而这是传统ECG分析本身无法实现的。该框架在分类心脏表型和使用ECG查询检索相似Echo研究方面的能力得到了评估，证明其性能优于现有的单模态和多模态基线。
-
用于可穿戴脑电图分析的深度学习模型简化
研究人员探索了降低深度学习模型在可穿戴设备上分析脑电图（EEG）信号的计算复杂性的方法。该研究侧重于参数量化和电极减少等技术，以平衡准确性与可穿戴技术的有限资源。研究结果表明，这些方法可以在对准确性影响最小的情况下显著降低模型复杂性，从而能够更实际地部署深度学习进行在线脑电图分析，例如检测癫痫发作。
-
联邦自动编码器在边缘设备上增强了具有隐私保护的心电图异常检测
研究人员开发了一种用于在边缘设备上检测心电图（ECG）数据异常的隐私保护联邦自动编码器系统。该系统结合了联邦学习、差分隐私和INT8量化，以维护患者的机密性，实现在Raspberry Pi 4等受限硬件上的实时推理，并在来自不同医院的非独立同分布（non-IID）数据下也能实现高质量的检测。研究发现，联邦学习的性能与集中式基线相当或更优，而INT8量化在准确性损失极小的情况下显著减小了模型大小和延迟，证明了隐私保护和边缘部署可以同时实现。
-
AI研究探索可解释性和合成数据以实现高效心电图分类
研究人员开发了两种新颖的方法，以提高深度学习模型在临床时间序列分析（特别是心电图（ECG）分类）中的效率和性能。一种方法 ERTS 在训练过程中使用可解释性指标来过滤不可靠数据并优先处理信息性样本，从而降低计算成本并提高可靠性。另一种方法侧重于使用知识驱动算法生成合成ECG数据来预训练模型，这已显示出显著的性能提升，尤其是在真实世界数据集有限的情况下。
-
新框架通过处理分布外数据改进心电图分类
研究人员开发了SafeECGMatch，一种新颖的用于心电图（ECG）分类的半监督学习框架。该方法通过有效处理可能包含分布外异常的未标记数据，解决了临床环境中标记数据有限的挑战。SafeECGMatch采用双分支架构提取时频表示，并结合自适应校准技术，以确保可靠的分布外拒绝和准确的伪标签。