SSSD-ECG-nle: 用结构化状态空间模型进行心电图生成的新标签嵌入
本文旨在将Large Language Models中的知识传递到临床心电图中,通过引入Optimal Transport生成质量高的心脏诊断报告,并且表现出与监督基线相媲美的零-shot分类性能,证明了从LLMs到心脏领域的知识转移的可行性。
Jan, 2023
本文提出了基于临床文字报告的自回归生成模型Auto-TTE,用于合成12导联心电图的文本转ECG任务,并与其他代表模型进行比较,实验结果表明我们的模型在各种定量评估和定性分析中具有优越性,经过三名美国心脏病学会认证心脏病专家的用户研究,证实了生成样本的保真度和语义对齐度。
Mar, 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
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
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
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
通过使用自监督学习技术加强的基础模型,该研究全面分析了心电图的基础模型,并通过创新的自监督方法(生成式学习和对比学习)对超过110万个心电图样本进行了改进。定制化这些方法以符合心电图信号的复杂特征,研究成功地开发出了显著提高心脏诊断准确性和可靠性的基础模型。这些模型擅长表现心电图数据的复杂细微差别,从而显著增强了诊断能力。结果凸显了自监督增强的基础模型在临床环境中的巨大潜力,并为广泛探索其在更广泛的医学诊断领域中可扩展应用的未来研究铺平了道路。这项工作在心电图领域树立了一个标杆,展示了定制的数据驱动模型训练对医学诊断的功效和准确性的深远影响。
Jun, 2024
本研究提出了一种基于嵌入和自注意力的新型心电图(ECG)分析技术,以更高效地捕捉ECG数据的空间和时间依赖关系。通过使用编码器-解码器网络来生成嵌入,对ECG信号的时间依赖性进行捕获和数据压缩。将压缩和编码后的数据作为权重输入到嵌入层中,最终使用CNN-LSTM自注意力分类器在嵌入层上对信号进行分类,以判定其是否正常。该方法在严重不平衡的PTB-xl数据集上进行了测试,重点是适当识别少数病例中存在的疾病类别,以限制误判真阴性病例的检测。在所有疾病类别上获得了91%的准确率和良好的F1得分。此外,由于数据压缩,该模型的大小减少了34%,适用于实时应用部署。
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
本研究针对生成逼真的12导联心电图数据所面临的挑战,提出了一种使用常微分方程(ODEs)的创新方法。通过将心脏动力学的ODE系统直接整合到生成模型的优化过程中,该方法显著提高了合成心电图数据的生物真实感,并改善了基于这些数据训练的心脏异常分类器的准确性。
Sep, 2024