Verbesserte topologische Merkmalssuche für Mehrkanal-EEG zur Klassifizierung von ADHS
Die Studie präsentiert eine verbesserte topologische Datenanalyse-Methode, die robuste und präzise topologische Merkmale aus Mehrkanal-EEG-Signalen von ADHS-Patienten extrahiert, um eine effiziente Klassifizierung zu ermöglichen.
Direkte Klassifizierung von Rohdaten aus der medizinischen Bildgebung durch Deep Learning: Machbarkeit und Herausforderungen
Der Einsatz von Deep Learning zur direkten Klassifizierung von Rohdaten aus der medizinischen Bildgebung wie Radiologie, Sonographie und Elektrophysiologie könnte genauere Vorhersagen und Diagnosen ermöglichen, ist aber aufgrund verschiedener Herausforderungen derzeit noch nicht praktikabel.
Früherkennung der Alzheimer-Krankheit durch Analyse von Polysomnographie-Signalen mithilfe von Deep Learning
Durch den Einsatz semi-überwachter Deep-Learning-Modelle, insbesondere des SMATE-Modells, kann die Alzheimer-Krankheit in einem frühen Stadium anhand von Schlaf-EEG-Signalen effektiv erkannt werden, auch bei begrenzter Verfügbarkeit von gekennzeichneten Daten.
Effiziente Lokalisierung der Anfallsursprungszone durch Analyse von Einzelpuls-elektrischer Stimulation mit Transformer-Modellen
Transformer-Modelle mit Aufmerksamkeitsmechanismen über Kanäle hinweg können die Lokalisation der Anfallsursprungszone aus Einzelpuls-elektrischer Stimulation im Vergleich zu herkömmlichen Methoden verbessern.
Individuelle Identifizierung basierend auf Magnetokardiographie-Signalen des Menschen
Das vorgestellte System ermöglicht eine individuelle Identifizierung mit einer Genauigkeit von 97,04% durch Analyse von Magnetokardiographie-Signalen, die mit optisch gepumpten Magnetometern gemessen wurden.
Effiziente Erkennung von kardialer hämodynamischer Instabilität durch multimodale variationelle Autoencoder mit geringen Kosten
Ein neuartiger multimodaler variationeller Autoencoder (CardioVAEX,G) integriert kostengünstige Röntgenaufnahmen des Brustkorbs (CXR) und Elektrokardiogramme (EKG), um die Leistung bei der Vorhersage von PAWP zur Erkennung kardialer hämodynamischer Instabilität zu verbessern.
MEDBind: Vereinheitlichung von Sprache und multimodalen medizinischen Datenbindungen
MEDBind ist ein Rahmenwerk für kontrastives Lernen, das Röntgenaufnahmen des Brustkorbs (CXR), Elektrokardiogramme (EKG) und medizinische Texte in einen einheitlichen Darstellungsraum integriert. Durch die Einführung einer neuartigen Verlustfunktion für die Kantenkontrastierung (EMCL) kann MEDBind die Bindung zwischen CXR und EKG verbessern und übertrifft etablierte Modelle für die Informationssuche, Nullschuss- und Wenig-Schuss-Klassifizierung.
Großes Sprachmodell-informiertes EKG-Dual-Aufmerksamkeitsnetzwerk zur Vorhersage des Herzversagensrisikos
Ein neuartiges, leichtgewichtiges EKG-Dual-Aufmerksamkeitsnetzwerk, das komplexe EKG-Merkmale für eine frühe Vorhersage des Herzversagensrisikos erfasst, trotz der beträchtlichen Ungleichgewichte zwischen Niedrig- und Hochrisikogruppen. Durch die Verwendung eines großen Sprachmodells zur Vorverarbeitung werden klinisch relevante Darstellungen aus EKG-Berichten extrahiert, um die Vorhersageleistung zu verbessern.
Nicht-invasive Überwachung von Hyperglykämie mithilfe von Elektrokardiogrammen und Deep Learning
Ein neuartiger Ansatz zur nicht-invasiven Überwachung von Hyperglykämie unter Verwendung von Elektrokardiogrammen (EKG) und einem tiefen neuronalen Netzwerkmodell, das eine hohe Erkennungsgenauigkeit erreicht.
© 2024 by Linnk AI