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

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

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

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

本文提出了基于临床文字报告的自回归生成模型 Auto-TTE，用于合成 12 导联心电图的文本转 ECG 任务，并与其他代表模型进行比较，实验结果表明我们的模型在各种定量评估和定性分析中具有优越性，经过三名美国心脏病学会认证心脏病专家的用户研究，证实了生成样本的保真度和语义对齐度。

Mar, 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

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

应用深度学习于心电图分析，通过引入一种新的多模态对比预训练框架来改善学习到的 12 导联心电信号的质量和鲁棒性，并获得了心脏健康诊断上的高准确性和高效率。

May, 2024

本文旨在将 Large Language Models 中的知识传递到临床心电图中，通过引入 Optimal Transport 生成质量高的心脏诊断报告，并且表现出与监督基线相媲美的零 - shot 分类性能，证明了从 LLMs 到心脏领域的知识转移的可行性。

Jan, 2023

提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

Aug, 2023