ecg

DCRA提出了一种扩散条件表示对齐框架，旨在增强时间序列学习的鲁棒性，尤其适用于脑电图（EEG）和心电图（ECG）等临床信号，通过对不同噪声水平下的表示进行对齐来实现。

本文介绍了DCGCNet，一种新型深度学习框架，用于从心电图信号中准确且鲁棒地检测心房颤动，展示了最先进的性能和在多样数据集及噪声条件下的强大泛化能力。

本文提出P2E-VQ，一个检索增强框架，通过离散补丁检索获取ECG-关联信息来增强PPG表示，从而在推理过程中无需ECG即可改善下游任务。

介绍了CardioState-JEPA，一种心脏基础模型，利用延迟感知的联合嵌入预测架构，在ECG、PPG和PCG信号之间学习共享表征，从而改进下游心脏分类任务。

本文对心电图自监督表示学习进行了一项受控研究，考察了时间上下文长度（16秒至10分钟）和编码策略（连续补丁嵌入 vs 离散化令牌）如何影响下游节律检测和患者级检索。结果表明，更长的上下文和连续编码器能提升性能，为扩展上下文的心电图基础模型提供了支持。

本文提出了一个与模型无关的框架，用于多模态临床AI中的逐模态失败分析，以区分在丢弃某个模态时出现的显性失败与隐性失败。该框架在植入的ground truth上进行了验证，并应用于EchoJEPA和HuBERT-ECG嵌入进行LVEF预测，结果表明丢弃echo后误差几乎翻倍。

ECG-InterpBench 是一个新基准，利用匹配尺度稀疏自编码器系统评估 ECG 基础模型表示的可解释性，涵盖重建保真度、临床概念可访问性以及跨 450 个单元的可重复性。

CADENCE 使用稀疏自编码器将心电图基础模型表示分解为可解释的生理概念，显著改善了与临床表型和波形形态的一致性。

提出PEACE框架，一种基于知识引导的框架，通过标签条件对比对齐将成人心电图解释迁移至儿科人群，在有限监督下取得显著改进。

本研究评估了九种心电图基础模型在Brugada综合征检测中的表现，发现预训练提供了优化稳定性，但未提供可迁移的临床知识，这对大规模预训练对罕见疾病有益这一假设提出了挑战。

本文介绍了IRFE-ECG，一种用于持续ECG部署的方法，该方法利用ECGFounder的冻结特征将专家保留与自主源推断分离，在无需回放原始ECG的情况下实现了强劲性能。

该论文提出使用谱熵作为衡量可解释性技术在ECG心律失常分类中引入噪声的指标，有助于区分模型真实信号与XAI生成的人为伪影。

ATRIA 是一个多智能体系统，用于生成心电图报告，它模拟了临床医生的迭代工作流程，支持双向编辑、证据关联以及临床医生参与验证。

提出了MSAIC-Net，一种多尺度注意力增强的卷积网络，用于从心电图信号中检测心肌基质异常，采用不平衡感知对比学习和逐导联置换重要性以提高模型可解释性。

ADAPTOOD 是一种新颖框架，利用数据不确定性量化分布偏移的严重程度，并指导心电图时间序列模型在分布外设置下的微调。它将不确定性估计与低秩模型更新和自适应超参数优化相结合，在现有OOD自适应方法基础上实现了高达7%的准确率提升和12.9%的精确度提升。

本文介绍了StenCE，一个预训练框架，利用ECG与X射线血管造影表征之间的跨模态对比学习，从ECG中检测重度冠状动脉狭窄，实现了高性能，并能够在无症状患者中实现早期诊断。

DeepArrhythmia是一个多模态框架，用于心拍级别的心电（ECG）心律失常分类，它结合了原始心电信号和波形图像，利用节段级置信度选择性获取生理证据以提高准确性。

MIT研究人员开发了 PULSE-HF，这是一种深度学习模型，可通过心电图预测心力衰竭患者在一年内是否会出现左心室射血分数恶化。该模型已发表于 Lancet eClinical Medicine，有望帮助临床医生对高危患者进行优先级管理，并在资源丰富和资源匮乏的临床场景中减少不必要的住院就诊。