增强模板先验的心电图填充中的扩散模型改进

Oct, 2023

增强模板先验的心电图填充中的扩散模型改进

Improving Diffusion Models for ECG Imputation with an Augmented Template Prior

Alexander Jenkins, Zehua Chen, Fu Siong Ng, Danilo Mandic

TL;DR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。

Abstract

pulsative signals such as the electrocardiogram (ECG) are extensively collected as part of routine clinical care. However, noisy and poor-quality recordings, leading to missing values, are a major issue for signals collected using mobile health systems, decreasing the signal quality an

pulsative signals ecg imputation probabilistic models template-guided denoising diffusion probabilistic model subject-level pulsative template

发现论文，激发创造

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

高保真 PPG 到 ECG 转换的区域解缠扩散模型

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

释放扩散模型在不完整数据填充方面的潜力

DiffPuter 是一种迭代方法，利用期望最大化算法和扩散模型进行缺失数据填补，其通过将缺失数据视为可在模型训练过程中更新的隐藏变量，并将缺失数据填补任务作为 EM 问题来处理。DiffPuter 通过扩散模型来学习观测到的数据和当前估计的缺失数据的联合分布，然后根据给定观测数据的条件概率利用在 M-step 学习的扩散模型重新估计缺失数据，通过这个迭代过程，DiffPuter 逐步改进了完整数据分布，产生了对缺失数据越来越准确的估计，理论分析和实证评估表明 DiffPuter 的优越性，与 16 种不同的填补方法相比，在 10 个不同的数据集上，DiffPuter 的 MAE 平均改善了 8.10％，RMSE 平均改善了 5.64％。

May, 2024

使用生成扩散模型进行癫痫预测的数据增强

本文提出了一种名为 DiffEEG 的基于扩散模型的数据增强方法用于癫痫预测，与现有方法相比，实验证明 DiffEEG 方法在改善分类器性能方面表现优异。

Jun, 2023

DiffImpute：具有去噪扩散概率模型的表格数据填充

DiffImpute 是一种新颖的去噪扩散概率模型（DDPM），它能针对缺失值进行可信的填充，通过四个针对表格特征的去噪网络和数据融合来提升观测和填充数据的一致性，实现有效的推理，显著优于其他方法。

Mar, 2024

扰动与回声：利用扩散模型生成合成超声图像用于真实图像分割

本文提出了一种通过心脏超声语义标签图引导的去噪扩散概率模型（DDPMs）生成合成图像的新型流程，展示了这些合成图像可以作为医学影像分析任务的深度学习模型训练中真实数据的可行替代品，包括图像分割，并在未见实际数据的数据集上进行了评估，与现有技术相比，Dice 分数分别增加了 9.09％，3.7％和 15.0％，该流程具有应用于各种医学成像模态的各种其他任务的潜力。

May, 2023

利用加速去噪扩散模型生成电子健康记录

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

电子病历时间序列的快速可靠生成方法

使用去噪扩散概率模型（DDPM）生成多样且逼真的合成电子健康记录时间序列数据，提高数据效用且减少训练工作量，从而改善医疗数据分析。

Oct, 2023

使用扩散概率模型进行深超声波降噪

本研究提出了一种基于 DDPM 的无监督去噪方法，可改善超声图像的质量并保留散斑纹理特征，在泛化对比噪声比和噪声峰值信噪比方面优于以往方法。

Jun, 2023