ECGBERT: 使用自监督表示学习了解心电图 (ECG) 的隐藏语言

Jun, 2023

ECGBERT: 使用自监督表示学习了解心电图 (ECG) 的隐藏语言

ECGBERT: Understanding Hidden Language of ECGs with Self-Supervised Representation Learning

Seokmin Choi, Sajad Mousavi, Phillip Si, Haben G. Yhdego, Fatemeh Khadem...

TL;DR本文提出了一种基于自我监督表示学习的方法 ECGBERT，通过无监督预训练模型，缓解了医疗数据缺乏标注和筛选的问题，并在心房纤颤心律失常检测、心跳分类、睡眠呼吸暂停检测和用户认证等四个任务上展示了 ECGBERT 在各种基于 ECG 的问题上取得最先进的结果的潜力。

Abstract

In the medical field, current ecg signal analysis approaches rely on supervised deep neural networks trained for specific tasks that require substantial amounts of labeled data. However, our paper introduces ECGB

ecg neural networks representation learning unsupervised pre-training state-of-the-art results

发现论文，激发创造

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

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

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

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

ETP: 通过 ECG-Text 预训练学习可迁移的心电图表示

在心血管保健领域，心电图 (ECG) 作为一种关键的非侵入性诊断工具。本研究提出了 ECG-Text 预训练 (ETP) 框架，通过将 ECG 信号与文本报告联系起来，学习跨模态表示。该框架在线性评估和零样本分类任务中表现出色，在 PTB-XL 和 CPSC2018 数据集上展示了其鲁棒性和泛化性能。

Sep, 2023

使用自监督学习的多模态多导联心电图心律失常分类

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。

Sep, 2022

使用状态空间模型从普遍的心电图中扩展表示学习

利用佩戴设备进行普遍感知在提升人类福祉方面具有潜力，从诊断临床状况和测量压力到构建适应性的促进健康的框架。然而，异质背景下的海量数据对传统的监督学习方法提出了挑战。生物信号的表示学习是一个新兴的领域，受到计算建模的最新进展和公开共享数据库的丰富影响。心电图（ECG）是这一领域的主要研究模态，具有健康监测、压力和情感估计等应用。我们引入了一种名为 WildECG 的预训练状态空间模型，用于从 ECG 信号进行表示学习。我们以自我监督的方式训练了这个模型，使用了从野外收集的 275,000 个 10 秒的 ECG 记录，并对各种下游任务进行评估。该模型对于 ECG 分析是一个稳健的基础架构，在大多数考虑到的任务中表现出竞争力，并且在资源有限的情况下显示出有效性。代码和预训练权重已公开共享在指定的 URL 网址。

Sep, 2023

无需反向传播学习心电图信号特征

本文提出一种基于理论物理思想生成时序型数据表示的新方法，该方法旨在识别可以有效捕捉特定类别样本的共享特征的线性规律，并利用这些规律构建了一个具有良好解释性和可验证性的分类器不可知表示方法，该表示方法能够在广泛的场景下应用，以实现心电图信号分类等任务的最先进性能。

Jul, 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