Sep, 2022

使用自监督学习的多模态多导联心电图心律失常分类

PDF
TL;DR本论文提出了基于自监督学习技术的多模态心电图分类方法，利用单模态 ECG 的时间序列和频谱信息，以及 SSL-pre-stream 任务和 down-stream 任务结合的方式实现。在评估这种方法的有效性时，使用 12 导联 PhysioNet 2020 数据集进行了十折交叉验证。
electrocardiogramcardiovascular diseasesself-supervised learningmultimodality ecggate fusion mechanism
发现论文，激发创造
  • 基于主题的非对比自监督学习用于 ECG 信号处理

    介绍了一种新的自监督学习方法和使用 transformer blocks 的模型，能够提取 ECG 信号并捕获不同的睡眠阶段和不同心律失常。

    May, 2023

  • 零样本心电图分类的多模态学习与测试时临床知识增强

    通过多模态学习心电图记录和相关报告，提出了一种 Multimodal ECG Representation Learning (MERL) 框架，可通过文本提示进行零样本心电图分类，消除对下游任务训练数据的需求，并使用 LLM 来利用外部专家验证的临床知识数据库，生成更具描述性的提示，提升零样本分类性能。基于 MERL，在六个公共心电图数据集上进行了首次评估，显示出 MERL 相对于 ECG 自监督学习方法具有更优异的性能，平均 AUC 得分为 75.2％，比使用 10％注释训练数据的线性探测式 ECG 自监督学习方法高出 3.2％。

    Mar, 2024

  • 冻结语言模型有助于心电图零样本学习

    该研究提出了使用机器生成的临床报告指导自我监督的心电图预训练的 ECG-Text 多模态自监督预训练（METS）。METS 在零 - shot 分类中能够实现约 10％的性能改善，而不使用任何带标签的数据，此外，在 MIT-BIH 数据集上，MET 对预训练数据集的 ECG 和其他类别的 ECG 之间的相似性进行了最小化，体现了在泛化性，效果和效率方面使用 ECG-Text 多模态自监督学习的优势。

    Mar, 2023

  • 基于自监督学习的心电图内外分步表示学习在心律失常检测中的应用

    本文探究了自监督学习（SSL）方法的有效性，以用于心电图（ECG）心律失常检测。作者对 PTB-XL， Chapman 和 Ribeiro 三个基于 ECG 的心律失常数据集进行了新颖的分布分析，并使用不同的增强和参数进行了全面的实验，评估了各种 SSL 方法的有效性。结果表明，与监督方法相比，SSL 方法效果竞争力颇高，其中 SwAV 的表现最佳。同时作者使用交叉训练和测试实验进一步评估了以上方法在不同数据集上的表现。研究结果发现，SSL 方法可以学习高效的表示，并且能够在不同的 OOD 数据集上实现良好的泛化效果。最后，作者对 SSL 方法在三个数据集上的表现进行了详细的疾病研究。

    Apr, 2023

  • ECG-SL：心电图 (ECG) 片段学习，一种用于 ECG 信号的深度学习方法

    基于 ECG-SL 框架的心电信号分析方法，通过提取结构特征和学习时间信息，能够在心脏状况诊断、睡眠呼吸暂停检测和心律失常分类等临床应用中表现出竞争力。

    Oct, 2023

  • 释放遥测潜力：用于连续临床心电图监测的自监督学习

    将深度学习应用于大量未标记的心电图遥测数据，对 ICU 中的患者监测进行持续注释，从而提供独特的洞察力，改进护理质量。

    Jun, 2024

  • 引导屏蔽表示学习捕捉心电图的时空关系

    基于自监督学习的 ST-MEM 技术通过重建屏蔽的 12 导联心电数据，学习了心电图的时空特征，并在不同实验设置下优于其他自监督学习基准方法，用于心律失常分类任务。

    Feb, 2024

  • 基于自监督学习的基于心电图的情感识别

    使用自我监督学习的心电图基于情感识别系统在分类唤醒度和价值评分方面表现出色，并且使用未标记的数据帮助该模型学习心电图特征流形。

    Oct, 2019

  • 自监督的心电图表征学习用于情感识别

    本研究通过自监督深度多任务学习框架，利用信号变换识别网络学习心电图 (ECG) 表示，进而进行基于 ECG 的情感识别，结果显示该方案在情感分类领域取得显著表现，并针对自监督的多任务结构与预训练任务难度的影响进行了深入研究。

    Feb, 2020

  • 通过同时对齐和重建的方式进行多导联心电信号的模态降维表示学习

    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