DiffECG: 一种推广的基于概率的扩散模型用于合成心电图信号
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
通过利用脉搏信号和患者个体特征,我们提出了一种模板引导的去噪扩散概率模型 (PulseDiff),用于改善心电图 (ECG) 数据插值和预测的准确性,并在实验中证实了其优越性。
Oct, 2023
本篇论文提出了一种基于扩散模型的生成模型,可以成功地应用于电子病历数据。该模型提出了一种基于分类条件的采样机制以保留标签信息,并引入了一种新的采样策略来加速推理速度。经实验证明,该模型优于现有的其他合成电子病历生成方法。
Feb, 2023
通过使用生成模型,特别是扩散模型,可以缓解脑机接口领域中的数据稀缺问题。我们通过引入一种新颖的有条件扩散模型,利用无分类器的指导来直接生成主题、会话和类别特定的脑电图数据。结果表明,该模型能够生成类似于真实数据的脑电图数据。
Mar, 2024
心血管疾病的高发病率需要具备易获取和经济实用的连续性心脏监测工具。作者通过引入一种新的扩散模型 —— 区域分离扩散模型(RDDM),成功地将光电容积法(PPG)翻译为心电图(ECG)信号,该模型可从 PPG 中在少于 10 个扩散步骤中生成高保真度的 ECG 信号,并在包括心率、血压估计、应激分类以及房颤和糖尿病检测在内的心脏相关任务上取得了最新的研究成果。
Aug, 2023
CardiacGen 提供了一个基于深度学习的框架用于产生合成但生理上可信的心脏信号,该框架包括 HRV 模块和 Morphology 模块,并具有数据增强的性质。
Nov, 2022
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
本研究提出一种新型心电图 (ECG) 基线漂移和噪声去除技术,以 Deep Score-Based Diffusion model 为基础,使用多次平均策略在 QT 数据库和 MIT-BIH 噪声应激测试数据库上进行实验验证,在距离相似性度量方面具有优秀的性能,对于心电信号中的干扰有很好的去除效果,具有很好的应用前景。
Jul, 2022
本文系统性地综述了深度生成模型在生理信号方面的研究,特别是心电图、脑电图、光电容抗图和肌电图等,总结了最新的技术、应用和挑战,同时强调了评估协议和生理数据库。
Jul, 2023