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

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

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

利用佩戴设备进行普遍感知在提升人类福祉方面具有潜力，从诊断临床状况和测量压力到构建适应性的促进健康的框架。然而，异质背景下的海量数据对传统的监督学习方法提出了挑战。生物信号的表示学习是一个新兴的领域，受到计算建模的最新进展和公开共享数据库的丰富影响。心电图（ECG）是这一领域的主要研究模态，具有健康监测、压力和情感估计等应用。我们引入了一种名为 WildECG 的预训练状态空间模型，用于从 ECG 信号进行表示学习。我们以自我监督的方式训练了这个模型，使用了从野外收集的 275,000 个 10 秒的 ECG 记录，并对各种下游任务进行评估。该模型对于 ECG 分析是一个稳健的基础架构，在大多数考虑到的任务中表现出竞争力，并且在资源有限的情况下显示出有效性。代码和预训练权重已公开共享在指定的 URL 网址。

Sep, 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

基于 ECG-SL 框架的心电信号分析方法，通过提取结构特征和学习时间信息，能够在心脏状况诊断、睡眠呼吸暂停检测和心律失常分类等临床应用中表现出竞争力。

Oct, 2023

本研究提出了一种名为 MTECG 的有用的掩模 Transformer 方法，将掩模自编码器应用于心电图时间序列，实验结果在心电图分类中表现显著优于最新的算法。

Aug, 2023

通过减少模态表示学习，我们提出了一种能够为心电图信号生成与通道无关的统一表示的方法，在重构和对齐的联合优化中，我们确保不同信道的嵌入包含跨信道的整体信息的融合，同时保留其特定信息。在独立的测试数据集上，我们从不同的心电图信道生成高度相关的信道嵌入，从而在单信道嵌入中适度近似了 12 导联信号。我们生成的嵌入可以作为心电图信号下游任务的有效特征。

May, 2024

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

本文探究了自监督学习（SSL）方法的有效性，以用于心电图（ECG）心律失常检测。作者对 PTB-XL， Chapman 和 Ribeiro 三个基于 ECG 的心律失常数据集进行了新颖的分布分析，并使用不同的增强和参数进行了全面的实验，评估了各种 SSL 方法的有效性。结果表明，与监督方法相比，SSL 方法效果竞争力颇高，其中 SwAV 的表现最佳。同时作者使用交叉训练和测试实验进一步评估了以上方法在不同数据集上的表现。研究结果发现，SSL 方法可以学习高效的表示，并且能够在不同的 OOD 数据集上实现良好的泛化效果。最后，作者对 SSL 方法在三个数据集上的表现进行了详细的疾病研究。

Apr, 2023