8月5日
09:34
09:34官方账号arXiv cs.LG@Amirhossein Taleshinosrati, Yangyang Wang, Atitaya Phoemsuk, Vahid Abolghasemi, Naser Hossein Motlagh, Sadasivan Puthusserypady, Daniel Teichmann, Abdolrahman Peimankar
FOUND-AF基准测试在AFDB、CinC2017、CPSC2021和LTAFDB四个ECG数据集上,以冻结特征提取器加XGBoost分类器的统一流程,评估了来自五个家族的九个公开基础模型,包括HuBERT-ECG、CLEF、ST-MEM、ECG-JEPA和ECGFounder。ECGFounder在准确率、模型大小、推理时间和内存占用之间取得最佳平衡。该框架采用记录级分组交叉验证和配对bootstrap统计检验,确保结果可比。
推荐理由:房颤检测选哪个ECG基础模型?FOUND-AF用4个数据集统一测了9个模型,ECGFounder综合最强。
5月22日
11:07
11:07官方账号arXiv cs.AI@Amir Mousavi, Mohammad Sadegh Sirjani, Erfan Nourbakhsh, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles
精选
实时认知负荷评估对自适应人机交互至关重要,但受限于标注数据少和跨个体泛化差。CogAdapt提出LeadBridge适配器,将3导联可穿戴信号转换为12导联临床格式,并结合ProFine渐进微调策略,防止灾难性遗忘。在CLARE和CL-Drive数据集上,CogAdapt的宏F1分数分别达0.626和0.768,显著优于从头训练的基线模型。该工作证明了基础模型迁移在可穿戴设备上实现个体无关认知负荷评估的可行性。
推荐理由:做可穿戴设备或脑机接口的团队,终于有了一个把临床大模型直接用到低导联设备上的实用方案——CogAdapt的LeadBridge适配器解决了传感器不匹配的痛点,建议做认知负荷评估的开发者直接参考。