本研究提出了一种基于双向长短时记忆的全新端到端的非侵入式语音质量评估模型 Quality-Net，该模型可在没有干净参考语音的情况下对语音质量进行评估，实验结果表明 Quality-Net 可以产生与 PESQ 高相关性（噪声语音为 0.9，经过语音增强处理的语音为 0.84），有潜力在语音信号处理的广泛应用中使用。

Aug, 2018

本研究提出了一种名为 SDEMG 的面向 sEMG 信号去噪的基于评分扩散模型的新方法，实验证明 SDEMG 优于比较方法，并产生了高质量的 sEMG 样本。

Feb, 2024

该研究提出了一种基于 SeismoNet 的深度卷积神经网络解决方案，旨在从地震心电图信号中稳健地观察心脏活动，并通过直接检测 R 峰而不需要提取手工特征，实现心脏监测以及 Atrial Fibrillation 的预防。

Oct, 2020

基于表面肌电图的手势识别，通过短期增强模块 (STEM) 和可学习的降噪机制，实现了对噪音的减少和对各种手势识别任务的泛化。

Apr, 2024

提出了一种基于情感计算驱动的体验质量（QoE）预测的新模型，使用多通道脑电图（EEG），心电图（ECG）和呼吸数据训练深度学习模型，比较了模型的性能，并对最佳模型进行了优化以提高结果。

Nov, 2023

该研究提出了两种从噪声信号比（NSR）的角度改进深度神经网络（DNN）用于心电图（ECG）信号分类的方法，实验结果表明这种方法能够提高 DNN 的对抗性鲁棒性。

May, 2020

该研究提出了一种无监督序列到序列学习方法，自动评估基于电阻抗的多通道血液动力学监测中心脏容量信号（CVS）的运动诱导可靠性降低，以及利用机器辅助评估减少人工标注的负担和时间消耗的能力。

May, 2023

介绍了 HAAQI-Net，一种针对助听器用户定制的非侵入式深度学习模型，用于音乐质量评估。相比传统方法如 HAAQI（Hearing Aid Audio Quality Index），HAAQI-Net 利用注意力机制的双向长短时记忆（BLSTM）。它采用了来自音频转换器（BEATs）的预训练的双向编码器表示进行声学特征提取。通过与真实数据进行对比，HAAQI-Net 实现了 0.9257 的纵向一致相关系数（LCC），0.9394 的斯皮尔曼等级相关系数（SRCC）和 0.0080 的均方误差（MSE）。值得注意的是，这种高性能伴随着推理时间的大大缩短：从 62.52 秒（HAAQI）到 2.71 秒（HAAQI-Net），为助听器用户提供高效的音乐质量评估模型。

Jan, 2024

我们提出了一种整合模拟计算和深度学习的方法用于心电图（ECG）心律失常分类。我们提出了 EKGNet，一种硬件高效且完全模拟的心律失常分类架构，其在低功耗下实现了高准确性。该架构利用亚阈值区操作的晶体管的能量效率，消除了模数转换器（ADC）和静态随机存取内存（SRAM）的需求。系统设计包括一种新颖的模拟顺序乘积累加（MAC）电路，可以减轻过程、供电电压和温度的变化。对 PhysioNet 的 MIT-BIH 和 PTB 诊断数据集的实验评估表明，该方法的有效性，分别实现了 95% 和 94.25% 的平均平衡准确性，用于患者内心律失常分类和心肌梗死（MI）分类。这种创新的方法为开发低功耗心律失常分类系统在生物医学应用中提供了一个有前景的途径。

Oct, 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