电波之梦：使用扩散模型生成心脏激发波

Dec, 2023

电波之梦：使用扩散模型生成心脏激发波

Dreaming of Electrical Waves: Generative Modeling of Cardiac Excitation Waves using Diffusion Models

Tanish Baranwal, Jan Lebert, Jan Christoph

TL;DR通过去噪扩散概率模型，我们在心脏组织中生成了具有巨大潜力的电波模式，该模型在心律失常研究和诊断领域有诸多应用。

Abstract

electrical waves in the heart form rotating spiral or scroll waves during life-threatening arrhythmias such as atrial or ventricular fibrillation. The wave dynamics are typically modeled using coupled partial differential equations, which describe reaction-diffusion dynamics in excitab

electrical waves generative modeling diffusion models spatio-temporal patterns cardiac arrhythmia research

发现论文，激发创造

基于深度学习的心脏运动预测电性心律失常电路：一项模拟研究

利用深度学习和神经网络可以计算和预测心脏肌肉的室性心律失常，靶向识别电触发或驱动器，可以利用影像数据计算肌肉的内壁动作电位波形。

May, 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

基于条件扩散模型合成事件相关电位范式的脑电图信号

通过使用生成模型，特别是扩散模型，可以缓解脑机接口领域中的数据稀缺问题。我们通过引入一种新颖的有条件扩散模型，利用无分类器的指导来直接生成主题、会话和类别特定的脑电图数据。结果表明，该模型能够生成类似于真实数据的脑电图数据。

Mar, 2024

生理信号的深度生成模型：系统文献综述

本文系统性地综述了深度生成模型在生理信号方面的研究，特别是心电图、脑电图、光电容抗图和肌电图等，总结了最新的技术、应用和挑战，同时强调了评估协议和生理数据库。

Jul, 2023

使用贝叶斯框架下的生成神经网络生成患者特定的心脏腔室模型

心脏电解解剖图绘制是一种用于心脏病学的技术，旨在创建心脏电活动的详细三维图。通过使用在 CT/MRI 扫描中训练的概率机器学习模型，可以在电解解剖图过程中生成患者特定的心脏腔室三维模型，从而减少手术时间和 X 线暴露，提供模型的可解释性。

Nov, 2023

基于扩散机制的生成模型

这篇文章介绍了一种基于扩散的生成模型，可用于音频和图像信号，并通过逐步像素损坏过程训练神经网络从随机噪声生成图像

Feb, 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

CardiacGen: 一种用于心脏信号的分层深度生成模型

CardiacGen 提供了一个基于深度学习的框架用于产生合成但生理上可信的心脏信号，该框架包括 HRV 模块和 Morphology 模块，并具有数据增强的性质。

Nov, 2022

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