Aug, 2023

高保真 PPG 到 ECG 转换的区域解缠扩散模型

PDF
TL;DR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。
cardiovascular diseasescontinuous cardiac monitoringphotoplethysmographyregion-disentangled diffusion modelecg signals
发现论文，激发创造
  • 基于去噪扩散生成模型的贝叶斯心电图重建

    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

  • DiffECG: 一种推广的基于概率的扩散模型用于合成心电图信号

    本文提出了一种基于去噪扩散概率模型的心电波形合成方法，此方法可以生成心跳、完成部分信号或进行心跳预测，且其效果较其他同类方法更佳，为心电信号合成提供了一个更为广义的条件方法。

    Jun, 2023

  • 基于扩散模型的不确定性感知的 PPG - 至 - ECG 技术用于改进心血管诊断

    通过光电式容积脉搏图对心血管系统状况进行分析已经成为一种常见且高效的方法，本文提出了一种新的方法论，基于这种方法可以将光电式容积脉搏图转换为心电图，通过计算机模型进行心血管疾病的更准确分类。

    May, 2024

  • 基于注意力机制的深度状态空间建模的连续房颤检测中 PPG 到 ECG 信号转换

    我们提出了一种基于注意力机制的深度状态空间模型，将光电脉搏图信号转化为相应的心电图波形，从而通过连续的光电脉搏图监测来补充心电图的准确性以检测成人中最常见的心律失常，房颤。在 MIMIC III 数据库的 55 个受试者上对该模型进行了评估，定量和定性的实验结果证明了我们方法的有效性和效率。

    Sep, 2023

  • 基于周期引导的去噪扩散概率模型用于 3D 交叉模态 MRI 合成

    该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。

    Apr, 2023

  • 增强模板先验的心电图填充中的扩散模型改进

    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

  • 残差去噪扩散模型

    提出了一种基于残差去噪扩散模型（RDDM）的图像生成和恢复方法，该方法通过预测残差来表示从目标域到输入域的扩散方向，并同时估计噪声以考虑扩散过程中的随机扰动，从而实现了图像生成和恢复的统一。

    Aug, 2023

  • 在跨数据集远程光电容积脉搏图方面提升泛化能力

    研究表明，当前基于深度学习的 Remote Photoplethysmography (rPPG) 模型倾向于学习训练数据集中的脉搏波特征，作者提出的一种扩充训练数据集范围和变化性的方法成功缓解了这种倾向，进一步提高了模型的泛化能力。

    May, 2023

  • 基于扩散模型的脑驱动表示学习

    运用扩散概率模型 (Denoising diffusion probabilistic models) 和条件自编码器构建的新方法，在分析与言语相关的脑电信号方面取得了令人瞩目的结果，优于传统机器学习算法和基准模型，显示出扩散概率模型在语音相关脑电信号分析中的潜力，这可能推动针对口头交流的脑机接口的重要进展。

    Nov, 2023

  • 一种具有对抗去噪扩散模型的领域翻译框架，用于生成心脏超声图像的合成数据集

    利用对抗去噪扩散模型和生成对抗网络，训练出具有高泛化能力的生成模型，实现医学图像域转换，生成适用于临床研究目的的超声心动图像。

    Mar, 2024