增强12导联心电图生成的常微分方程
该研究通过扩展SimGAN方法来调整一维数据,并修改基因编程框架ezCGP以进化SimGAN,以评估新的定量指标,并使用该框架来增强心电图数据集,以提高异常心电分类器的准确性。
May, 2022
CardiacGen提供了一个基于深度学习的框架用于产生合成但生理上可信的心脏信号,该框架包括HRV模块和Morphology模块,并具有数据增强的性质。
Nov, 2022
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
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
提出了一种基于健康心电图数据训练的去噪扩散生成模型(DDGM),该模型注重心电图形态学和导联间的依赖关系。结果表明,这种创新型生成模型能够成功生成逼真的心电图信号。此外,还探索了使用DDGM解决线性逆贝叶斯问题的最新突破应用。这种方法能够开发出几种重要的临床工具,包括计算校正的QT间期(QTc)、有效抑制心电图信号的噪声、恢复缺失的心电图导联以及识别异常读数,从而实现心脏健康监测和诊断方面的重大进展。
Dec, 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
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