机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究提出K-MERL框架，旨在解决多模态心电图表示学习中信号与文本报告的对齐问题，尤其是在资源有限的情况下。该框架利用大语言模型提取知识，并采用动态导联掩蔽的ECG编码器。评估结果显示，在零样本分类和线性探测任务中表现优异，部分导联的零样本分类平均AUC提高了16%。

本研究解决了ECG图像解读中的准确性问题，提出了一种新的低秩适应（LoRA）微调策略，以提高多模态LLaMA 3.2模型对ECG图像的理解能力。研究结果表明，该方法在识别多种心脏异常方面的表现显著优于传统的卷积神经网络（CNN）方法，展现出极高的准确性和实用性。

本研究提出了一种名为ECG-Byte的分词器，用于多通道心电图生成文本任务。该方法通过自回归语言建模，将心电图信号压缩为可映射的令牌，实现端到端训练。与传统方法相比，ECG-Byte在性能上具有竞争力，训练时间减少一半，数据需求降低约48%。

本研究解决了高精度分类心律失常电心图信号的问题，采用优化的双向长短期记忆（Bi-LSTM）模型和高级卷积神经网络（CNN）系统进行信号分类。研究发现，通过严格的交叉验证，CNN模型在分类五种不同类型的ECG信号方面表现出色，显示了基于AI的ECG分类器在远程健康监测和预测医疗等领域的广泛应用潜力。

本研究解决了使用复杂的EEG方法进行睡眠阶段分类的不足，提出了一种新颖的三阶段ECG信号睡眠阶段分类方法。通过特征仿真网络和时间频率表示，最终结合了多个模型的优势，显著提高了分类准确率，整体达到了80.79%。

本研究提出了一种名为AmpliNetECG12的轻量级深度学习架构，旨在从12导联心电图中快速准确地检测心脏疾病。该模型通过改进的激活函数和共享卷积核权重降低了复杂性，实验结果显示其在心脏疾病诊断中的准确率达到84%，具有良好的临床应用潜力。

本研究提出了wav2sleep模型，通过ECG和PPG等生理信号进行睡眠阶段分类。该模型在超过10,000个夜间记录上联合训练，显著提高了分类准确性，具有重要的临床应用潜力。

本研究针对雷达信号在环境噪声和随机运动干扰下对ECG信号恢复精准度影响的问题，提出了一个新颖的多任务学习框架radarODE-MTL，旨在增强抗噪声能力。通过引入偏心梯度对齐的优化策略，该框架能够动态调整任务特定的梯度，有效解决任务间优化冲突。实验结果表明，该框架在噪声条件下仍能提供准确的ECG信号重建，展示了在实际应用中的良好前景。

佩戴设备进行普遍感知有潜力提升人类福祉，但海量数据对传统监督学习方法提出挑战。研究者引入了一种名为WildECG的预训练状态空间模型，用于从ECG信号进行表示学习。该模型在ECG分析中表现出竞争力，并在资源有限的情况下显示出有效性。

该研究提出了一种基于注意力机制的深度状态空间模型，将光电脉搏图信号转化为心电图波形，以检测心律失常。在MIMIC III数据库的55个受试者上进行了评估，实验结果证明了该方法的有效性和效率。

三星 Galaxy Watch 智能手表获得 ECG 功能审核通过，小米发布无线 AR 眼镜，TCL 发布 NXTPAPER 11 平板电脑，多家手机厂商采用高通卫星通讯技术，HMD 发布诺基亚 G22 手机，NOKIA 更换新 LOGO，Apple 重启 iPhone SE 4 的制造，iPad Pro 价格可能上调，少数派发布新客户端和公众号，提供全新阅读体验。