phonocardiogram
PulseAugur coverage of phonocardiogram — every cluster mentioning phonocardiogram across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
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）。
-
AI模型通过听诊器录音以92%的准确率检测儿童心脏病
研究人员开发了一种新颖的方法，利用数字听诊器的心音图（PCG）录音来检测儿童先天性心脏病（CHD）。该方法整合了深度学习特征和手工特征，以提高诊断准确性，特别是在传统超声心动图不易获得的低资源环境中。该模型在孟加拉国751名儿科受试者的数据上取得了高性能指标，包括92%的准确率和96%的AUROC。这项技术有望成为实时远程检测CHD的一种经济高效的筛查工具。