通过利用深度学习和变形图像配准技术，本研究描述了一种基于心脏通过 1D 运动描述符表示动态过程的方法，并定义了一组规则以确定五个心血管相位，从而实现对心脏功能的评估。

Sep, 2022

深度学习和传感器的普及加速了心血管系统信号的自动多视图融合 (MVF)。然而，现有的 MVF 模型往往将相同时间步但不同视图的心血管信号合并为一个统一的表示，忽视了心血管事件的异步性以及不同视图之间的固有异质性，导致了严重的视图混淆。本文提出了面向视图的变压器 (VCT) 和多任务遮蔽自编码器 (M2AE)，强调每个视图的中心性，并利用无标签数据实现卓越的融合表示。此外，我们首次系统地定义了缺失视图问题，并引入提示技术，以帮助预训练的 MVF 模型灵活适应各种缺失视图场景。针对心房颤动检测、血压估计和睡眠分期等典型的健康监测任务开展了严格实验证明了我们方法在 MVF 方面相对于现有方法的显著优势。值得注意的是，提示技术仅需要对整个模型的不到 3% 的数据进行微调，大大加强了模型对视图缺失的鲁棒性，同时避免了完整重新训练的需求。结果证明了我们方法的有效性，并突出了它们在心血管健康监测中的实际应用潜力。代码和模型已在指定的 URL 上发布。

Jun, 2024

使用计算机视觉中的运动分析和高维度医学图像数据，通过基于卷积网络和自编码器的模型进行人体生存预测任务，所建模型在 302 例患者中表现出显著的准确性提高，从而展示了如何高效地预测人类生存率。

Oct, 2018

本文提出了一种自监督学习方法，用于从旧视频剪辑中合成新视频剪辑，并介绍了多个新的关键元素，以改善其空间分辨率和逼真程度。通过对时间连续性的上下文信息和对精细控制的辅助信息进行综合利用，该方法的预测模型在自编码器的潜在空间和图像空间中进行双自回归，以提高其输出的逼真程度，并通过可学习的光流模块来实现时空一致性。同时，插入于编码器和潜在空间预测模块之间的量化器和插入于预测模块和解码器之间的其逆操作提供了额外的灵活性。实验结果表明，该方法在多个任务和标准基准测试上的定性和定量结果都非常好。

Jul, 2021

本文提出了一种新的编码框架，它依赖于自监督学习来学习各种生理领域的多元时间序列的表示，从而解决有限可用性的标记生理数据通常防止在生物医学机器智能领域使用强大的监督深度学习模型的问题，并得出新方法可以学会区分特征被用于下游分类任务。

Jun, 2023

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

通过左心室分割、时间通道注意力模块和锚定分类回归方法，从超声心动图视频中准确自动评估心脏功能，取得了最先进的性能提升。

Oct, 2023

本研究提出了基于深度学习的方法，通过数据增强技术和学习曲线，自动检测心脏磁共振心动图像（CMR）中与运动相关的伪影，该方法在 UK Biobank 数据集上取得了 0.89 ROC 曲线下区域的高分类性能

Oct, 2018

通过多侧面伪标记的弱监督学习方法，提供便宜且实时的方法，用于机器辅助下心脏导管介入手术中的工具分割和追踪。

Apr, 2024

该论文提出了一种从视频的原始时空信号中学习视觉表示的方法，通过无监督的顺序验证任务，即确定来自视频的帧序列是否按照正确的时间顺序排列，学习卷积神经网络 (CNN) 的强大视觉表示，其结果显示出该方法在捕捉人类姿势等在时间上变化的信息方面具有敏感性，并可用于姿势估计和行动识别。

Mar, 2016