Jan, 2022

利用最优输运增强技术对非平衡心电图数据进行心脏疾病诊断

PDF
TL;DR本文通过使用最优传输方法对 ECG 疾病数据进行增广以平衡不同类别之间的数据来解决不平衡 ECG 数据集中的数据不平衡问题，从而提高心脏病检测的鲁棒性和准确性，构建了一个从时间和频率域提取不同特征来诊断各种心脏病的多特征变压器（MF-Transformer）分类模型，能够从 12 导联 ECG 信号中学习，识别 5 个心脏病类别，并通过实验展示了该方法的有效性。
发现论文，激发创造
  • 使用 GAN 进行数据增强提高非平衡数据集心律失常分类的性能

    通过生成对抗网络方法，利用 MIT-BIH 心律失常数据库产生新的 ECG 信号，以增加机器学习系统的性能表现。

    Feb, 2023

  • 利用基于视觉的 Transformer 模型从心电图像中检测心脏疾病

    使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究进行比较，结果显示该框架具有显著的分类结果。

    Oct, 2023

  • 通过心脏核磁共振的知识转移解锁心电图的诊断潜力

    提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

    Aug, 2023

  • MVMTnet：一种基于多变量多模态转换器的心脏不规律多类分类方法，使用 ECG 波形和临床记录

    提出了一种基于多模型 Transformer 的深度学习架构，通过整合临床记录，实现了对心血管疾病的多类别检测，并为实现临床和急诊环境下的实时患者状态监测奠定了基础。

    Feb, 2023

  • 多视角学习方法提升自动 12 导联心电图诊断性能

    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

  • 心血管疾病多标签预测的半监督学习：多数据集研究

    提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

    Jun, 2023

  • 变革心电图诊断：基于 Transformer 的深度学习模型在心血管疾病检测中的深入评估

    本文阐述了 Transformer 结构在心电图分类任务中的应用，总结了最新的 Transformer 模型并探讨了其应用中的挑战和未来的改进方向，为研究人员和从业者提供了宝贵的资源，旨在为心电图识别中的创新应用提供建议。

    Jun, 2023

  • ECGformer：利用 Transformer 进行心电图心跳心律失常分类

    通过使用变压器模型 (ECGformer)，我们发展了一种用于分类心电图数据中各种心律失常的方法，结果表明该方法非常有效。

    Jan, 2024

  • 掩码变压器用于心电图分类

    本研究提出了一种名为 MTECG 的有用的掩模 Transformer 方法，将掩模自编码器应用于心电图时间序列，实验结果在心电图分类中表现显著优于最新的算法。

    Aug, 2023

  • 从自然语言到心电图的知识迁移：我们可以通过语言模型检测心血管疾病吗？

    本文旨在将 Large Language Models 中的知识传递到临床心电图中，通过引入 Optimal Transport 生成质量高的心脏诊断报告，并且表现出与监督基线相媲美的零 - shot 分类性能，证明了从 LLMs 到心脏领域的知识转移的可行性。

    Jan, 2023