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.
3 天有情绪数据
-
新的心电图分类框架改进了测试时自适应
研究人员开发了BeatRhythm-TTA，一个专门为心电图（ECG）分类设计的新型测试时自适应框架。该方法通过使用无标签的推理时数据进行自适应，解决了深度学习模型在新领域遇到时性能下降的问题。BeatRhythm-TTA包含一个信号质量指数（SQI）门控方案，用于过滤噪声信号并强制执行双重一致性，在自适应过程中同时保留心搏形态和节律动态。实验表明，与现有方法相比，宏观F1分数有了显著提高。
-
新的Winder方法通过自监督学习捕获心脏周期性
研究人员开发了一种名为Winder的新型自监督学习方法，旨在捕获生理过程的周期性，特别是心动周期。该方法利用相位等变架构将表示组织成相位不变坐标和谐波子空间。在PTB-XL数据集上进行评估时，Winder在参数占用空间显著减小的情况下，实现了与最先进方法相当的诊断准确性，证明了编码心动相位对称性对于高效和信息丰富的表示学习的有效性。
-
研究利用不平衡心电图数据解决罕见心脏病检测问题
研究人员利用大量心电图（ECG）记录数据集，对 Wolff-Parkinson-White（WPW）综合征（一种罕见的心脏病）的检测进行了研究。该研究旨在解决显著的类别不平衡问题，在 66,951 条记录中仅有 142 例 WPW 病例。在防止数据泄露的受控协议下，比较了包括不同信号表示和自监督预训练在内的各种检测方法。研究结果表明，增加模型的多元化和容量并未显著提高检测性能，甚至一个特征联合模型也仅能与一个简单的两成员投票模型相匹配…
-
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。
-
AI模型在心电图分类方面遇到困难；新方法旨在提高准确性和可解释性 · 已追踪2个来源
两篇新研究论文探讨了当前AI方法在心电图（ECG）分类方面的局限性，并提出了提高准确性和可解释性的新方法。第一篇论文介绍了RecursiveECG，一个基于LLM的代理，通过分析具体失败案例并利用客观ECG证据来递归地改进ECG分类器。该框架在不同数据集上实现了10.0%的平均相对改进。第二篇论文评估了现有的ECG分类可解释AI（XAI）方法，发现许多方法，特别是从计算机视觉迁移过来的方法，未能与临床指南保持一致，并且常常关注信号幅度…
-
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。
-
新的PEACE框架改进了儿科心电图分析的AI迁移学习
研究人员开发了一个名为PEACE（Pediatric-Adult ECG Alignment via Cross-modal Enhancement）的新框架，以改进在儿科人群中应用成人训练的心电图（ECG）模型。这种知识引导的方法利用对比学习和轴特定标记化来更好地将ECG数据与诊断标签对齐，尤其是在儿科数据稀缺的情况下。PEACE在儿科ECG数据集的零样本和少样本学习场景中表现出显著的提升，优于现有方法，并突显了标签条件知识对齐在跨…
-
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。
-
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。