通过文本表示解释心内电gram
本研究提出了一种基于Construe推理框架的心电信号自动检测房颤,其他心律失常和噪音的新方法,并探讨了一致的分类标准在训练数据集中的重要性,研究结果表明,使用该方法可以对包含较大噪声水平的数据进行有价值的描述。
Feb, 2018
本研究提出了一种名为MINA的多级知识引导的注意力网络,可从ECG信号中预测心脏疾病,并通过多级注意力模型将医学知识和ECG数据结合起来,实现高度可解释性和较高的PR-AUC表现。
May, 2019
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
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
本研究提出了一种基于深度学习模型来精确勾画具有不同心律失常类型信号的新方法,使用了一种混合损失函数的分割模型用于心律失常分类,实验结果表明该模型与先前的勾画算法在Lobachevsky University Database (LUDB)上表现竞争力。
Apr, 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
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
本研究提出了一种基于嵌入和自注意力的新型心电图(ECG)分析技术,以更高效地捕捉ECG数据的空间和时间依赖关系。通过使用编码器-解码器网络来生成嵌入,对ECG信号的时间依赖性进行捕获和数据压缩。将压缩和编码后的数据作为权重输入到嵌入层中,最终使用CNN-LSTM自注意力分类器在嵌入层上对信号进行分类,以判定其是否正常。该方法在严重不平衡的PTB-xl数据集上进行了测试,重点是适当识别少数病例中存在的疾病类别,以限制误判真阴性病例的检测。在所有疾病类别上获得了91%的准确率和良好的F1得分。此外,由于数据压缩,该模型的大小减少了34%,适用于实时应用部署。
Jul, 2024
本研究针对传统心电图(ECG)分析模型对大量昂贵标注数据的依赖问题,提出了ECG-FM,一个开放的心电图基础模型。该模型采用变换器架构,经过2.5百万样本的预训练,展现了在多种下游任务中的卓越表现,证明了其在心电图分析中的有效性和可解释性,推动了心电图分析领域的基础模型应用。
Aug, 2024