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

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。

Jun, 2023

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

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

本研究介绍了一种新颖的心电图 (ECG) 自动识别方法，采用最近的大型语言模型 (LLM) 和 Vision-Transformer (ViT) 模型。该方法通过将 ECG 编码为图像并采用视觉语言学习范式来自动识别相似的临床病例，从而实现有效的 ECG 检索系统，可在临床应用中提供诊断服务。

Apr, 2023

研究拟建立基于卷积神经网络（CNN）和长短期记忆（LSTM）分类器的解释性模型，探讨机器学习算法做出决策的模式，提高对心电图信号（ECG）节律分类的准确度。

May, 2022

该研究提出了一种新的特征表示方法，将时间频率 1D 向量转换为 2D 图像，并利用卷积神经网络对转换后的心电信号进行分类，从而提高了分类性能并帮助识别和可视化心电信号的时间模式，具有诊断和治疗心血管疾病以及检测异常的重要意义。

Jul, 2023

在多个领域，数据采集和标注的成本和实际应用性限制了监督式学习范式。本文提出了一种使用自监督学习范式从多元时间序列中学习信息表示的方法，并表明该方法没有依赖标签数据就可以超越纯监督式方法在低数据情况下应用于临床相关任务（如睡眠评分）以及两个脑电波数据集，并捕获了重要的生理信息。

Nov, 2019

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