ADAPTOOD: Ajuste fino con incertidumbre para modelos ECG fuera de distribución
ADAPTOOD mejora la exactitud de modelos ECG hasta un 7% y la precisión un 12.9% al cuantificar la incertidumbre en cambios de distribución. Descubre cómo.
#ecg
Aprendizaje funcional profundo bayesiano disperso y selección de regiones
sBayFDNN: modelo bayesiano profundo que selecciona regiones funcionales con incertidumbre cuantificada para predicciones en ECG, neuroimagen y wearables.
Aprendizaje contrastivo de ECG y angiografía para estenosis severa
Descubre cómo el framework StenCE usa aprendizaje contrastivo multimodal para clasificar estenosis severa desde ECG, facilitando el diagnóstico temprano no invasivo.
ELF: Familia de modelos ECG-Lenguaje sin codificador
Descubre ELF, una familia de modelos ECG-Lenguaje sin codificador que supera a modelos complejos con arquitecturas más simples. ¡Resultados impresionantes!
Detección de arritmias con TinyML y autoencoder en sistemas embebidos
Descubre cómo un modelo TinyML basado en autoencoder detecta arritmias en tiempo real en microcontroladores, con alta precisión y bajo consumo.
Firmas de morfología para monitoreo y detección ECG interpretable
Descubre cómo firmas de morfología basadas en motivos permiten monitoreo ECG interpretable, detectando cambios sutiles para diagnóstico temprano.
Nueva estrategia de aumento de datos para clasificación robusta de señales biomédicas (ECG y EEG)
Descubre una nueva estrategia de aumento de datos para clasificar señales ECG y EEG con precisión del 100%. Modelo ligero listo para wearables.
Aprendiendo representaciones latentes cardíacas en el espacio del vectorcardiograma
Descubre cómo LVCG aprende representaciones cardíacas en el espacio VCG, mejorando robustez y generalización frente a métodos tradicionales de ECG.