本文探讨了对电心图 (ECG) 信号进行对比学习和深度学习的应用来诊断心血管疾病的方法。此应用可以在具有较少 ECG 导联的情况下提高诊断性能，并且证明了对比学习在此任务上的潜力。

Apr, 2023

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

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

本文提出一种基于理论物理思想生成时序型数据表示的新方法，该方法旨在识别可以有效捕捉特定类别样本的共享特征的线性规律，并利用这些规律构建了一个具有良好解释性和可验证性的分类器不可知表示方法，该表示方法能够在广泛的场景下应用，以实现心电图信号分类等任务的最先进性能。

Jul, 2023

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

基于自监督学习的 ST-MEM 技术通过重建屏蔽的 12 导联心电数据，学习了心电图的时空特征，并在不同实验设置下优于其他自监督学习基准方法，用于心律失常分类任务。

Feb, 2024

使用深度生成模型将两个异步心电图信号生成十二个信号以改进心脏疾病的诊断，并提高对心电图信号的分类表现。

Feb, 2021

本研究通过自监督深度多任务学习框架，利用信号变换识别网络学习心电图 (ECG) 表示，进而进行基于 ECG 的情感识别，结果显示该方案在情感分类领域取得显著表现，并针对自监督的多任务结构与预训练任务难度的影响进行了深入研究。

Feb, 2020

本研究通过提出一种使用 U-Net 结构模型和新的目标函数进行的 ECG 信号重建方法，通过综合评估使用真实数据集和公开数据集，证明了该方法在标准畸变指标方面具有卓越性能并且保留了重要的 ECG 特征，在增强 ECG 的临床应用方面具有重要的意义。

May, 2024