本研究提出了一种基于Construe推理框架的心电信号自动检测房颤，其他心律失常和噪音的新方法，并探讨了一致的分类标准在训练数据集中的重要性，研究结果表明，使用该方法可以对包含较大噪声水平的数据进行有价值的描述。

Feb, 2018

使用超过200万标记心电图的数据训练的深度神经网络模型，比心脏病学住院医生在识别12导联心电图上准确率高，F1分数超过80％且特异性高于99％，这表明基于DNN的ECG分析可推广到12导联心电图上，可应用于标准临床实践中。

Apr, 2019

研究拟建立基于卷积神经网络（CNN）和长短期记忆（LSTM）分类器的解释性模型，探讨机器学习算法做出决策的模式，提高对心电图信号（ECG）节律分类的准确度。

May, 2022

提出了一个多分辨率模型，利用局部形态信息和全局节奏信息，通过开发低分辨率高级语义信息，持续维持高分辨率低级语义信息，从而成功地从 ECG 细分中提取信息丰富的形态和节律特征，从智能可穿戴应用的角度，也确认基于单导联 ECG 的全面 ECG 解释算法的可能性。

Apr, 2023

本文提出了一种基于自我监督表示学习的方法ECGBERT，通过无监督预训练模型，缓解了医疗数据缺乏标注和筛选的问题，并在心房纤颤心律失常检测、心跳分类、睡眠呼吸暂停检测和用户认证等四个任务上展示了ECGBERT 在各种基于ECG的问题上取得最先进的结果的潜力。

Jun, 2023

应用下采样、归一化和滤波等方法，对不同的多标签心电图数据集进行处理，评估其对不同高性能时间序列分类器的影响，并发现低至50Hz的采样率可以产生可比较的结果。此外，除了样本率降低可以可靠地减少计算资源，但不会增加准确性以外，我们还发现最小-最大归一化对整体效果稍微不利，而带通滤波则没有明显的差异。

Nov, 2023

使用深度学习模型RawECGNet，通过节律和形态学信息，高效、可泛化地检测房颤和心房扑动的发作。

Dec, 2023

通过利用正常心电图数据集进行自我监督的异常检测，该研究提出了一种新的心电图异常检测方法，结合遮蔽和恢复技术以及多尺度交叉注意模块，实现了对心脏异常的精确检测和定位，从而显著提高了现有模型的性能。

Apr, 2024

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