May, 2024

ECGrecover：一种用于心电图信号补全的深度学习方法

PDF
TL;DR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。
ecg reconstructionu-net architecturespatial and temporal aspectsgenerative adversarial networksclinical applications
发现论文，激发创造
  • ECGNet: 从单导联输入合成 12 导联心电图信号的生成对抗网络（GAN）方法

    使用生成对抗网络 (GAN) 的 ECGNet 程序能够从任何单导联输入生成完整的 12 导联心电图 (ECG) 信号，并且通过交叉和自相关分析识别能够表征心血管疾病的特征。经过与肺心病功能结果数据，并使用具有 CVD - 指示特征的 ECG 信号作为输入进行 CVD 发作预测的 CNN 模型训练后，我们的模型可以实现对多个 CVD 目标的准确预测。该研究是首次利用单导联输入预测剩余的 11 个导联。

    Sep, 2023

  • 基于多模态对比学习的心血管疾病诊断：来自心电图（ECG）信号和患者元数据的分析

    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

  • 基于循环生成对抗网络的盲源心电图恢复

    本文提出了一个新方法，使用 Cycle-GAN 来盲目去噪 ECG 信号，从而提高信号质量，无论信号受到何种类型和严重程度的干扰，使其恢复成临床水平的 ECG。该方法在 CPSC-2020 ECG 数据集上经过了量化和定性评估，并得到了心脏病专家的验证。

    Jan, 2022

  • ECG-SL：心电图 (ECG) 片段学习，一种用于 ECG 信号的深度学习方法

    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

  • 通过同时对齐和重建的方式进行多导联心电信号的模态降维表示学习

    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

  • DiffECG: 一种推广的基于概率的扩散模型用于合成心电图信号

    本文提出了一种基于去噪扩散概率模型的心电波形合成方法，此方法可以生成心跳、完成部分信号或进行心跳预测，且其效果较其他同类方法更佳，为心电信号合成提供了一个更为广义的条件方法。

    Jun, 2023

  • PulseNet：使用随机增强策略和连续小波变换的深度学习心电信号分类（犬用）

    使用深度卷积神经网络 (CNN) 方法对犬的心电图序列进行分类研究，以诊断出是否出现心脏异常状况，以提高兽医的诊断性能，从而实现完善的兽医护理。

    May, 2023

  • 基于条件生成对抗网络的心电图对抗样本检测

    本研究采用条件生成对抗网络，同时生成不同类别的 ECG 信号和检测心脏异常情况，且基于类别特定的 ECG 信号合成逼真的对抗例子，相比其他分类模型，在检测正常 / 异常 ECG 信号方面表现出更好的性能。

    Jul, 2021

  • 基于图卷积网络实现稳健的心脏分割

    使用图卷积神经网络的图结构消除心脏结构分割的解剖错误，实时预测结构轮廓点，并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。

    Oct, 2023

  • 利用地震心电图进行可靠心脏活动监测的端到端深度学习

    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