基于循环生成对抗网络的盲源心电图恢复
本研究采用条件生成对抗网络,同时生成不同类别的 ECG 信号和检测心脏异常情况,且基于类别特定的 ECG 信号合成逼真的对抗例子,相比其他分类模型,在检测正常 / 异常 ECG 信号方面表现出更好的性能。
Jul, 2021
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
本文研究应用生成对抗网络(GANs)生成真实且无隐私顾虑的电信号数据,用于医疗培训和数据分析,并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号,并且能够经受住简单的成员推断攻击,保证了训练集的隐私。
Sep, 2019
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
使用生成对抗网络 (GANs) 从配对的 PPG 信号中合成 ECG 信号成功,其中心率可通过标准信号处理流程进行提取,通过在模型训练中加入频域约束可以提高模型性能的稳定性和心率估计的性能。
May, 2024
本研究通过提出一种使用 U-Net 结构模型和新的目标函数进行的 ECG 信号重建方法,通过综合评估使用真实数据集和公开数据集,证明了该方法在标准畸变指标方面具有卓越性能并且保留了重要的 ECG 特征,在增强 ECG 的临床应用方面具有重要的意义。
May, 2024
该研究使用深度学习基于生成对抗网络的异常检测模型(EB-GAME)在心电图中仅使用正常信号标签的训练数据进行异常信号检测,并在 MIT-BIH 心律失常数据集上取得了最先进的性能表现。
Apr, 2024
提出了一种基于健康心电图数据训练的去噪扩散生成模型(DDGM),该模型注重心电图形态学和导联间的依赖关系。结果表明,这种创新型生成模型能够成功生成逼真的心电图信号。此外,还探索了使用 DDGM 解决线性逆贝叶斯问题的最新突破应用。这种方法能够开发出几种重要的临床工具,包括计算校正的 QT 间期(QTc)、有效抑制心电图信号的噪声、恢复缺失的心电图导联以及识别异常读数,从而实现心脏健康监测和诊断方面的重大进展。
Dec, 2023
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