electrocardiography
PulseAugur coverage of electrocardiography — every cluster mentioning electrocardiography across labs, papers, and developer communities, ranked by signal.
- competes with echocardiography 70%
- used by atrial fibrillation 70%
- used by photoplethysmogram 70%
- used by phonocardiogram 70%
- used by Photoplethysmography 70%
- used by Gotit.pub 60%
- used by echocardiography 50%
- used by Electromyography 50%
- affiliated with Photoplethysmography 50%
- affiliated with echocardiography 50%
11 天有情绪数据
-
新基准Holtercare-Bench评估MLLMs在长期心电图分析方面的能力
研究人员推出Holtercare-Bench，这是一个新的多模态基准，旨在评估多模态大语言模型（MLLMs）在分析长期动态心电图（ECG）数据方面的能力。该基准建立在Holtercare-23K之上，这是一个大型数据集，包含源自临床Holter记录的信号-视频-文本对齐。初步评估表明，当前的MLLMs在超长病理性心电图序列所需的时间推理和诊断报告生成方面存在困难，尽管微调显示出显著的改进潜力。
-
新型DCGCNet模型实现最先进的房颤检测，具有高泛化能力
研究人员开发了一种名为双码本图协同网络（DCGCNet）的新型深度学习模型，用于从心电图（ECG）信号中检测心房颤动（AF）。该模型集成了对比学习模块以处理噪声，并采用自适应码本以提高在不同数据集和条件下的泛化能力。DCGCNet已展示出最先进的性能，在跨数据集评估中实现了大于0.98的曲线下面积（AUC），并且即使存在基线漂移和肌电干扰等常见伪影，也能保持高精度。
-
AI模型仅凭ECG信号难以检测疼痛
研究人员探索了使用心电图（ECG）数据结合加速度计信号的自监督表征学习方法，以对疼痛水平进行分类。他们的研究结果表明，虽然单一ECG模型成功率有限，但多模态预训练通过捕捉跨模态依赖性增强了学习到的表征。该研究还强调了模型性能和从ECG检测疼痛方面显著的受试者间差异，表明与疼痛相关的模式是受试者特定的。
-
新的P2E-VQ框架通过ECG链接表征增强PPG数据
研究人员开发了P2E-VQ，一个新颖的框架，通过链接心电图（ECG）信息来增强光电容积脉搏波图（PPG）数据。P2E-VQ不试图从PPG重建ECG信号，而是将PPG片段转换为离散令牌，并从内存库中检索相关的ECG链接表征。该方法在推理时无需ECG信号即可增强PPG数据，并在包括临床终点预测和情感状态识别在内的各种下游任务中，与现有的预训练模型相比，表现出卓越的性能。
-
三星发布用于可穿戴健康数据分析的AI模型
三星研究（美国）开发了两个AI基础模型，xMAE和HiMAE，旨在分析可穿戴设备中的生物信号数据。这些模型利用自监督学习从无标签的健康数据中提取见解，目标是支持连续、个性化和预防性的医疗保健。xMAE专注于光电容积脉搏波（PPG）和心电图（ECG）信号之间的时间关系，通过被动PPG测量实现心血管健康分析。HiMAE学习可穿戴数据中跨越不同时间尺度的健康模式，从而在资源有限的情况下实现设备端处理。
-
新模型学习统一的心脏表征，整合多种传感器类型
研究人员开发了CardioState-JEPA，这是一种新颖的基础模型，旨在从多种传感器模态中学习统一的心脏生理学表征。该模型通过将心电图（ECG）、光电容积脉搏波描记法（PPG）和心音图（PCG）的异构波形映射到公共令牌空间来整合它们的数据。它采用Transformer编码器和学习到的延迟对齐器来处理信号之间的时间偏移，从而能够预测被掩码的潜在心脏状态。当作为冻结编码器进行评估时，CardioState-JEPA在各种下游任务中的性…
-
CardioState-JEPA 整合心电图、光电容积脉搏波和心音图，实现统一的心脏表示
研究人员开发了 CardioState-JEPA，这是一种新颖的基础模型，旨在通过整合心电图 (ECG)、光电容积脉搏波 (PPG) 和心音图 (PCG) 的数据来学习统一的心脏表示。该模型利用一种生理感知联合嵌入预测架构来预测掩蔽的潜在心脏状态，并明确考虑了跨模态延迟。当作为冻结编码器进行评估时，CardioState-JEPA 在所有三种模态的下游分类任务上显著提高了性能，优于现有的自监督基线。
-
新的PECS框架改进了心血管AI的概念漂移检测
研究人员开发了一个名为PECS的新框架，用于检测心血管AI模型中多模态生理信号的概念漂移。该框架将模型内部的变化与信号中的可测量变化进行比较，利用心电图（ECG）、光电容积脉搏波图（PPG）和呼吸数据。PECS在PTB-XL、BIDMC和MIMIC数据集上进行了测试，与现有的漂移检测方法相比，PECS表现出优越的性能，实现了高漂移分类准确率。
-
TimeRLM 使用递归语言模型实现精确时间序列异常检测
研究人员开发了 TimeRLM，这是一种新颖的递归语言模型，旨在提高长上下文时间序列数据中异常定位的准确性。通过使模型能够通过代码和视觉能力与数据进行交互和操作，该方法解决了传统时间序列语言模型在扩展上下文中的性能下降问题。TimeRLM 在名为 AnomalyXL 的新基准测试中显著优于现有方法，展示了卓越的定位和分类准确性，并在真实世界数据集上显示出潜力。
-
人工智能识别出心脏病死亡风险的新心电图标志
研究人员（包括 Ziad Obermeyer 医生）开发了一个人工智能系统，该系统能够利用心电图 (EKG) 数据识别有猝死高风险的患者。该人工智能模型分析了瑞典卫生系统六年的心电图读数，识别出一个高风险群体，其年心脏病死亡风险为 7.0%，这比目前的心脏超声检查方法有了显著改进。人工智能确定了心电图“aVL”导联中的一个特定改变是关键指标，为确定谁可能受益于植入式心律转复除颤器 (ICD) 提供了一个更精确的工具。
-
用于ECG分类的AI模型可能依赖视觉伪影而非患者数据
研究人员分析了基于CNN的ECG图像分类中的捷径学习和聪明汉斯效应。该研究创建了六个特征集，包括原始图像、仅波形图像以及带有伪影的图像，以测试分类器是依赖波形信息还是非生理线索。通过计算捷径保留分数和预测一致性，研究团队评估了模型的透明度，并识别了潜在的聪明汉斯行为，评估分类器是学习临床上有意义的形态还是从报告布局、元数据或人工标记中学习捷径线索。
-
Cardiologent：多智能体AI系统辅助心律失常评估和管理
研究人员开发了Cardiologent，一个多智能体临床决策支持系统，旨在评估患者级别的心律失常、紧急程度和管理。与以往专注于单一心电图读数或预先检测到的心律失常的系统不同，Cardiologent整合了包括心电图和光电容积脉搏波图在内的多种信号数据。该系统通过检索临床指南进行推理，提供可审计的决策，在综合诊断、临床意义和紧急程度方面优于心脏病专家和LLM（大型语言模型）裁判。
-
Mineng Technology secures funding for brain-like SNN chips in medical devices
Mineng Technology has secured tens of millions in funding to advance its self-developed Spiking Neural Network (SNN) chips, designed to serve as the core processing unit for medical devices. These chips mimic the brain'…
-
和谐的心电图特征改善了跨数据集的临床预测
研究人员开发了一种用于心电图（ECG）波形的和谐可解释特征表示，以改善跨数据集的临床预测。这种称为FeatureDB的方法旨在减少在一家医院的数据上训练的模型应用于另一家医院数据时出现的性能下降，解决了协议和测量差异的问题。该研究评估了该方法在心力衰竭分类和死亡率预测等任务上的表现，发现与ConvNeXt等端到端深度学习模型相比，和谐特征在跨数据集迁移中保持了具有竞争力的性能并表现出更大的稳定性。
-
新研究表明，直接PPG信号在可穿戴血压监测方面更优
两篇新研究论文探讨了使用可穿戴传感器估算血压的方法，重点关注光电容积脉搏波图（PPG）和心电图（ECG）信号。第一篇论文提出了一种轻量级的混合学习框架，结合了单次搏动PPG嵌入和生理特征来进行无袖带血压估算，收缩压的平均绝对误差为4.02 mmHg，舒张压为1.79 mmHg。第二项研究分析了MIMIC-III数据库，发现PPG信号与血压的生理相关性比ECG信号更强，表明直接的PPG到血压预测管道对于可穿戴设备更有效，达到了英国高血压…
-
新框架将多模态临床数据整合到电子健康记录基础模型中
研究人员开发了一个新的自回归基础模型框架，该框架可以处理多模态临床数据，包括心电图波形、胸部X光图像和临床笔记，以及结构化的电子健康记录（EHR）事件代码。该框架利用特定模态的潜在压缩和带门控的交叉注意力以及时间对齐来整合这些多样化的数据类型。在MIMIC-IV数据集上的实验表明，特定的潜在压缩配置比简单方法提高了性能，并且每种模态的预训练编码器的选择对下游结果有显著影响。然而，研究也表明，与仅使用EHR的模型相比，简单地添加辅助模态…
-
新的大语言模型框架将心电图诊断与临床知识相结合
研究人员开发了一种新颖的多模态大语言模型框架，旨在通过心电图（ECG）提高人工智能驱动的心脏诊断的可解释性和可信度。这种新方法将报告生成锚定在一个经过精心策划的临床知识库（称为心电图解读指南）中，以减轻标准大语言模型相关的幻觉风险。通过整合卷积神经网络（CNN）衍生的见解、Grad-CAM热力图以及该结构化指南，该框架生成的诊断报告在临床术语和标准方面更加一致，在PTB-XL数据集上的BERTScore有了显著提高，证明了这一点。
-
新框架模拟反馈系统中的因果均衡
本文介绍了均衡因果博弈（ECG）框架，该框架将博弈论与因果建模相结合，以分析具有反馈循环的系统，例如电网或市场。ECG框架允许研究这些复杂系统中的干预和均衡选择。研究表明，虽然ECG分离是可靠的，但未知传感和非高斯性等某些条件可能导致因果状态识别不完整，并对识别交互和传感机制有特定要求。
-
ECG-LLM：用于从心电图数据进行心脏推理的基础模型
研究人员开发了ECG-LLM，这是一种新颖的大型语言模型，用于使用心电图（ECG）数据进行心脏推理。该模型在来自186,000名患者的超过679,000项ECG研究上进行了训练，它采用多模态方法，仅凭ECG信号即可回答各种心血管问题。ECG-LLM可以准确预测通常需要超声心动图或心脏磁共振成像等高级成像的复杂心脏表型，并且在ECG理解任务上达到或超过了现有基准。
-
新的AG-SCL方法提高了对罕见病情的ECG心律失常诊断
研究人员开发了角高斯监督对比学习（AG-SCL），这是一个新颖的框架，旨在提高深度学习模型诊断长尾ECG心律失常的准确性。该方法通过整合用于不确定性建模的角高斯对比分支、用于先验校正的自适应Logit调整以及用于保留形态细节的尾部感知增强，解决了罕见但关键的异常情况的挑战。AG-SCL在PTB-XL基准和夜间ECG数据集上均表现出优越的性能，特别是在提高罕见心律失常的检测能力的同时保持了高特异性。