从两个异步导联合成十二导联心电图
本文提出了基于临床文字报告的自回归生成模型 Auto-TTE,用于合成 12 导联心电图的文本转 ECG 任务,并与其他代表模型进行比较,实验结果表明我们的模型在各种定量评估和定性分析中具有优越性,经过三名美国心脏病学会认证心脏病专家的用户研究,证实了生成样本的保真度和语义对齐度。
Mar, 2023
使用生成对抗网络 (GAN) 的 ECGNet 程序能够从任何单导联输入生成完整的 12 导联心电图 (ECG) 信号,并且通过交叉和自相关分析识别能够表征心血管疾病的特征。经过与肺心病功能结果数据,并使用具有 CVD - 指示特征的 ECG 信号作为输入进行 CVD 发作预测的 CNN 模型训练后,我们的模型可以实现对多个 CVD 目标的准确预测。该研究是首次利用单导联输入预测剩余的 11 个导联。
Sep, 2023
本文探讨了对电心图 (ECG) 信号进行对比学习和深度学习的应用来诊断心血管疾病的方法。此应用可以在具有较少 ECG 导联的情况下提高诊断性能,并且证明了对比学习在此任务上的潜力。
Apr, 2023
提出了新概念 Electrocardio Panorama,使用 Neural electrocardio field Network 对 ECG 信号进行可视化,在处理视角方面引入了 Angular Encoding 并使用 Standin Learning 进行自监督学习,实验证明 Nef-Net 在 Electrocardio Panorama 合成方面表现良好。
May, 2021
通过减少模态表示学习,我们提出了一种能够为心电图信号生成与通道无关的统一表示的方法,在重构和对齐的联合优化中,我们确保不同信道的嵌入包含跨信道的整体信息的融合,同时保留其特定信息。在独立的测试数据集上,我们从不同的心电图信道生成高度相关的信道嵌入,从而在单信道嵌入中适度近似了 12 导联信号。我们生成的嵌入可以作为心电图信号下游任务的有效特征。
May, 2024
本文研究使用深度学习方法对心电图进行自动诊断,并提出了基于多视角学习和数据增强技术的集成方法,取得了优于现有技术的表现,F1 分数达到 0.840。
Jul, 2022
该论文提出一种产生锐实的心电图图像的新方法,用于训练深度学习算法,在保护个人身份信息的同时使用这些图像来进行数字化,得到的结果表明,产生的合成心电图像数据集对于训练深度学习模型具有重要意义。
Jul, 2023
本文提出一种基于生成式对抗网络(GANs)和统计的心电图(ECG)数据建模的新方法,以在 ECG 信号生成任务中利用先前对 ECG 信号动态特性的理解,在 MIT-BIH 心律失常数据库中进行实验验证,结果表明以 2-D 格式建模 ECG 信号的时间和幅度变化可以生成更真实的信号并提高最新的心律失常分类基线的性能。
Oct, 2022
本文提出了一种新型的面向疾病的生成对抗网络 ME-GAN 用于多视角心电图合成,实现了以疾病为条件的泛光心电表征,并将它们投影到多种标准视图上,同时还提出了一种新的度量标准 rFID 来评估合成心电图信号的质量。
Jul, 2022