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

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

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

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

本研究探索了改进自动心电图分析系统定量准确性的三个因素：利用结构化状态空间模型、自监督学习以及患者基本信息，并验证了它们在心电图分析算法的发展中的积极作用。

Aug, 2023

通过整合正样本之间的不同之处，本研究的自我监督学习方法(DEBS)在编码时间序列数据的固有静态特征方面表现出色，强调通过优化过程中的不同之处来实现对动态特征的更精细表达，应用于心电图(ECG)信号后能够显著提高房颤(AFib)的检测准确率，为推进适用于时间序列数据的自我监督学习方法开辟新的途径。

Sep, 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

使用扩散模型生成数字化的10秒12导联心电图信号，提出了基于SSSD-ECG改进的SSSD-ECG-nle体系结构，通过定量和定性评估，分析了收敛速度、添加阳性样本的影响以及与医生专业知识的评估，最后分享了医生评估结果，并提供合成数据以确保实验的可复现性。

Jul, 2024

本研究针对传统心电图（ECG）分析模型对大量昂贵标注数据的依赖问题，提出了ECG-FM，一个开放的心电图基础模型。该模型采用变换器架构，经过2.5百万样本的预训练，展现了在多种下游任务中的卓越表现，证明了其在心电图分析中的有效性和可解释性，推动了心电图分析领域的基础模型应用。

Aug, 2024

本研究解决了当前心电图诊断系统在检测稀有心脏异常方面的不足，提出了一种使用自监督异常检测预训练的新方法。实验证明，该模型在处理包含116类心电图的长尾数据集时，显著提升了诊断的准确性和敏感性，尤其在稀有心电图类型上取得了94.7%的AUROC和92.2%的敏感性，推动了临床心脏病学中AI集成的进步。

Aug, 2024