PTB-XL, a large publicly available electrocardiography dataset
PulseAugur coverage of PTB-XL, a large publicly available electrocardiography dataset — every cluster mentioning PTB-XL, a large publicly available electrocardiography dataset across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新AI框架可数字化纸质心电图，用于远程心脏病发作筛查
研究人员开发了ECGLight，一个轻计算框架，旨在数字化纸质心电图（ECG）打印件并筛查心肌梗死（MI）。该设备端系统将智能手机拍摄的心电图转换为校准的12导联信号，即使在连接性或计算资源有限的远程诊所也能进行诊断。该框架在PTB-XL数据集上实现了95.51%的心肌梗死检测准确率，在ECG-Matrix数据集上实现了88.89%的氧耗心肌梗死（OMI）检测准确率，并且在纯CPU资源下每份心电图的运行时间不到30秒。
-
深度学习模型从不完整数据重建完整心电图
研究人员开发了ImputeECG，一个深度学习模型，旨在从不完整的心电图（ECG）记录中重建完整的12导联心电图。该Transformer自编码器模型在PTB-XL和CPSC2018等数据集上进行了训练，并在来自开滦总医院的大型临床队列中进行了验证。ImputeECG显著减少了心电图重建中的错误，并提高了下游诊断任务（如性别和年龄预测）的准确性，使其成为增强现有心电图档案在人工智能驱动的心脏评估中的实用工具。
-
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…
-
LeNEPA：新的时间序列自监督学习方法减少对数据增强的依赖
研究人员推出了一种新颖的时间序列数据自监督学习方法LeNEPA，该方法不需要数据增强。LeNEPA利用因果骨干网络和下一个潜在标记预测目标，采用基于SIGReg的各向同性正则化以及用于损失计算的轻量级投影空间。在ECG数据和合成诊断语料库上的实验表明，LeNEPA能够更快地获得表示，并且即使在跨不同数据集重用其方法而不进行调整的情况下，也能保持有用的性能增益，在某些场景下优于类似的固定JEPA方法。
-
新方法通过分离表示和决策误差来校准时序分类
本文介绍了一种新颖的时序分类方法，通过将误差分解为表示失败和决策问题。所提出的方法包括冻结已训练的分类器，并添加两个推理时干预：一个用于辅助逻辑的多尺度残差分支和一个用于重新组合证据的分支感知校准器。在FI-2010和PTB-XL等各种数据集上的实验表明，这些干预措施带来了显著的收益，尤其是在噪声或表示受限的情况下，这表明时序分类受益于改进的证据校准以及表示学习。
-
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。
-
新的深度学习模型改进了心脏病的心电图分析
研究人员开发了一种名为MSAIC-Net的新深度学习模型，以改进使用心电图（ECG）检测心肌底物异常。该模型利用多尺度注意力机制和不平衡感知对比学习策略，以更好地捕捉复杂的心电图模式并解决数据不平衡问题。该网络在弗吉尼亚大学健康系统和PTB-XL数据集的数据集上进行了评估，与现有方法相比，其性能更优越，尤其是在数据有限的情况下。
-
新的ECG分析框架使用模体进行可解释的监测
研究人员开发了一个新的心电图（ECG）数据分析框架，旨在改善心血管筛查和监测。这种基于模体的方法将代表性的心动周期定义为可解释的特征，从而能够量化形态学随时间的变化。该系统可以检测与正常节律和个性化基线的偏差，在区分临床数据集中的正常和异常ECG方面显示出潜力。
-
MERIT框架利用信息论增强心电图分析
研究人员开发了MERIT，一个用于从心电图（ECG）信号学习表示的新框架。MERIT采用信息论方法，联合保留心电图波形的详细结构并整合来自文本的临床语义。该框架结合了掩码心电图建模和心电图-文本对比度对齐，在分类任务和零样本评估中显示出显著的改进。
-
PEACE框架利用成人数据和Gemini改进小儿心电图诊断
研究人员开发了PEACE，一个用于对齐成人和小儿心电图（ECG）数据的新型框架，以提高儿童的诊断准确性。该方法利用跨模态增强，整合临床语义分解和标签查询特征提取，以弥合儿科数据稀缺造成的差距。该系统利用Gemini从临床提示生成辅助训练监督，即使在资源匮乏的情况下也能实现可靠的心电图迁移。PEACE在儿科心电图数据集上展示了显著的性能提升，但临床部署仍需进一步验证。
-
新理论基于智能手机光电容积脉搏波描记法实现心脏健康监测
研究人员开发了心脏稳定性理论（CST），这是一个基于心动力学吸引子周围稳定性裕度来定义心血管健康的新框架。该理论催生了心脏稳定性指数（CSI），这是一个从李雅普诺夫指数和信号熵等因素派生出的指标。该框架已适配用于智能手机光电容积脉搏波描记法（PPG）传感器，从而实现连续、非侵入式的心脏监测，用于健康追踪和风险分层。
-
新框架使用条件扩散模型进行多模态联邦学习
研究人员开发了一个名为 CondI 的新框架，用于解决多模态联邦学习中的缺失数据问题，尤其是在临床环境中。该方法使用条件扩散模型显式填充模态内未观察到的数据点，并利用可用的多模态上下文。该框架训练特定于模态的提取器和联合嵌入空间，使模型能够操作完整的语义结构，并提高对数据不完整的鲁棒性。在临床数据集上的实验表明，CondI 取得了与现有最先进方法相当的结果。