Apr, 2024

幅度相位融合提升心电图形态分析

PDF
TL;DR提出了一种新的融合熵度量方法 —— 形态心电图熵（MEE），用于全面描述振幅和相位模式的融合，通过对节拍级样本进行计算，可以对每个心脏周期进行详细分析，实验结果表明，MEE 能够快速、准确、无标签地定位异常心电图心律失常区域，这个熵度量方法还能用于评估样本多样性，有助于不平衡训练集的压缩，MEE 优于随机修剪法，而且能描述低质量区域，具有较强的噪声干扰鲁棒性和低计算复杂度。最后，将该方法集成到临床交互界面中，提供更便捷直观的用户体验，研究发现表明，MEE 是心电图特征描述的有价值临床指标。
electrocardiogram (ecg) signalsentropymorphological ecg entropy (mee)abnormal ecg arrhythmia regionsclinical interactive interface
发现论文，激发创造
  • 一种用于保持形态的胎儿心电图提取的新型深度学习技术：基于 1D-CycleGAN 的母体心电图

    通过基于 1D CycleGAN 的方法，我们能够在保持心电图形态的同时，重建胎儿心电图信号，从而提高胎儿心率和 R-R 间期的估计准确性，为胎儿心脏疾病的早期诊断和定期健康检查提供一种高效的工具。

    Sep, 2023

  • 基于多模态电生理多头注意力对比学习的情感识别

    我们提出一种基于自监督对比学习的多模式情感识别方法 ME-MHACL，通过从无标签的生物电信号中学习有意义的特征表示，并使用多头注意机制进行特征融合以提高识别性能。在 DEAP 和 MAHNOB-HCI 两个公开数据集上的实验结果表明，我们的方法在情感识别任务中表现优于现有基准方法，并具有良好的跨个体泛化能力。

    Jul, 2023

  • 一种基于显著性特征融合的 EEG 情感估计模型

    本文提出了一种双模型方法，结合了基于序列的 EEG 幅值表示和基于图像的表示。采用基于显著性分析的图像模型，促进了两个模型部分的联合学习。在四个公开数据集上进行评估，结果表明本方法优于现有方法，在情感估计任务上取得了较高的稳定性。

    Jan, 2022

  • 电 - 磁脑电图数据融合的耦合发生器分解

    数据融合建模可识别不同数据源的共同特征并考虑源特异性变异。在多主体、多模态（脑电图和脑磁图）的神经影像实验中，我们引入了 “耦合生成器分解” 的概念，并演示了如何将其推广为数据融合的稀疏主成分分析（SPCA）方法。通过对脑电图和脑磁图试验进行分半交叉验证，我们研究了不同复杂度模型的最佳模型顺序和正则化强度，并将其与假设刺激下共享脑反应的群体水平模型进行比较。我们的发现表明，对于打乱的脸部，与真实脸部相比，大约 170ms 后颞叶面区的激活性有所改变，特别在多模态、多主体模型中更为明显。我们通过在 PyTorch 中使用随机优化进行模型参数推断，证明了其与 SPCA 的传统二次规划推断具有可比性，但执行速度要快得多。我们提供了一个易于访问的工具箱，包括了耦合生成器分解、原型分析和定向原型分析的数据融合方法。总体而言，我们的方法为数据融合提供了一个有希望的新途径。

    Mar, 2024

  • 基于互相交叉注意机制的特征融合用于 EEG 情绪识别

    我们提出了一种名为 Mutual-Cross-Attention（MCA）的新颖有效的特征融合机制，结合特殊定制的 3D 卷积神经网络（3D-CNN），该方法巧妙地发现了 EEG 数据中时域和频域特征之间的互补关系，并且通过新设计的 Channel-PSD-DE 3D 特征在 DEAP 数据集上获得了 99.49%（愉悦度）和 99.30%（唤醒度）的准确率。

    Jun, 2024

  • EMEF：集成多曝光图像融合

    本文提出了一种基于多个不完美的多曝光图像融合贡献者的集合框架（EMEF）以解决当前的 MEF 问题，通过在预训练阶段统一网络模仿不同的 MEF 目标，并在运行时通过优化风格代码来调整模仿者网络，进而在最新的 MEF 基准测试数据集上取得了最好的实验结果。

    May, 2023

  • 心脏谱的相空间分析

    研究了应用辅助相空间方法和心电信号诊断心脏疾病的两种不同 ECG 系统，通过分析时间序列图和相空间轨迹来计算分形维度 D， 并发现较高的 D 值表明更多的随机性和信息，从而提供了有关心脏活动的有价值的信息。

    Jun, 2023

  • 利用 Mel 频率倒谱系数增强心音分类：单一和集成分类器策略的比较研究

    通过使用单一分类器和集成分类器方法，研究了使用 Mel 频率倒谱系数 (MFCCs) 在检测异常心脏音图中的功效。结果表明，与单一分类器方法相比，集成分类器方法获得了更高的准确性，从而将 MFCCs 确定为比其他特征（如时间、时间频率和统计特征）更有效的特征。

    Jun, 2024

  • 通过心脏核磁共振的知识转移解锁心电图的诊断潜力

    提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

    Aug, 2023

  • 使用自监督学习的多模态多导联心电图心律失常分类

    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