ECG-Agent: Der erste LLM-basierte Tool-Calling-Agent für mehrfache ECG-Dialoge Mit den jüngsten Fortschritten multimodaler Large Language Models (LLMs) hat sich die Analyse von Elektrokardiogrammen (EKG) stark erweitert. Bisher konzentrierten sich die Modelle vor allem auf Klassifikationen, Berichtserstellungen und Einzelschritt-Frage‑Antwortaufgaben. In der Praxis fehlen jedoch wichtige Eigenschaften wie mehrfache Gesprächsführung, effiziente Ausführung auf Geräten und ein präzises Verständnis der EKG-Messwerte – insbesondere der PQRST‑Intervalle. arXiv – cs.AI 29.01.2026 05:00
CNN + BiLSTM: Weniger Recurrent Layers, Mehr Leistung bei ECG-Multi-Label Die präzise Klassifikation von Herzrhythmusstörungen anhand von Elektrokardiogrammen (EKG) bleibt eine komplexe Aufgabe. Neben der gleichzeitigen Erkennung mehrerer Herzkrankheiten und stark ausgeprägter Klassenungleichgewichte kommt die Notwendigkeit, langfristige zeitliche Abhängigkeiten in mehrspurigen Aufzeichnungen zu berücksichtigen. arXiv – cs.LG 28.01.2026 05:00
AnyECG: KI-EKG erkennt über 1.100 Krankheiten und prognostiziert Risiken Die neu entwickelte AnyECG-Plattform nutzt künstliche Intelligenz, um aus dem Elektrokardiogramm (EKG) ein ganzheitliches Gesundheitsprofil zu erstellen. Im Gegensatz zu bisherigen Modellen, die sich meist auf die Diagnose einer einzelnen Erkrankung konzentrieren, kann AnyECG gleichzeitig zahlreiche Krankheiten erkennen und zukünftige Risiken prognostizieren. arXiv – cs.AI 19.01.2026 05:00
Foundation Models erreichen 80 % Spitzenleistung bei ECG-Analyse In der modernen Patientendiagnostik werden nichtinvasive Messungen wie das Elektrokardiogramm (EKG) aufgrund ihrer geringen Risiken und schnellen Ergebnisse häufig eingesetzt. Die Analyse von EKG-Daten erfordert jedoch traditionell umfangreiches Fachwissen, was die Anwendung von künstlicher Intelligenz (KI) im Gesundheitswesen erschwert. arXiv – cs.AI 11.12.2025 05:00
Neues ECG-Foundation-Modell CLEF nutzt klinisch geführtes kontrastives Lernen Das Elektrokardiogramm (EKG) bleibt ein unverzichtbares Diagnoseinstrument in der Kardiologie und ist inzwischen in klinischen Geräten sowie in tragbaren Wearables integriert. Durch selbstüberwachtes Vortrainieren von Foundation‑Modellen auf unlabelten EKG‑Daten konnte die diagnostische Leistung bereits verbessert werden – jedoch ohne die wertvollen klinischen Metadaten zu berücksichtigen. arXiv – cs.LG 03.12.2025 05:00
Neues Lernverfahren macht neuronale Netze robust und erklärbar Neuronale Netze zeigen eine starke Anfälligkeit gegenüber semantisch irrelevanten Transformationen. Bereits ein 75‑Millisekunden‑Phasenversatz im Elektrokardiogramm (ECG) senkt die latente Kosinus‑Ähnlichkeit von 1,0 auf 0,2, und Drehungen von Sensoren führen bei Inertialmessgeräten (IMUs) zu einem drastischen Rückgang der Aktivitätserkennung. arXiv – cs.LG 20.11.2025 05:00
Neuer Diffusionsmodell kombiniert Simulator und klinisches Wissen für realistische EKG‑Generierung Ein neues Forschungsprojekt aus dem Bereich der Kardiologie hat ein innovatives Modell vorgestellt, das die Erzeugung von Elektrokardiogrammen (EKG) revolutioniert. Das Modell, genannt SE‑Diff, nutzt Diffusionsverfahren in Kombination mit einem physiologischen Simulator und klinischem Erfahrungswissen, um hochrealistische EKG‑Signale zu generieren. arXiv – cs.LG 14.11.2025 05:00
Poly-Window Contrastive Learning verbessert ECG-Analyse nachhaltig Die Analyse von Elektrokardiogrammen (EKG) ist ein entscheidender Schritt bei der Diagnose von Herz-Kreislauf-Erkrankungen. Doch die Leistungsfähigkeit moderner Deep‑Learning‑Modelle wird häufig durch die begrenzte Verfügbarkeit annotierter Daten eingeschränkt. Selbstüberwachtes kontrastives Lernen hat sich als vielversprechende Methode erwiesen, robuste Repräsentationen aus unlabelten Signalen zu extrahieren, doch bisherige Ansätze beschränken sich meist auf zwei augmentierte Ansichten und nutzen die reichhaltige zeitliche Struktur von EKG‑Aufzeichnungen nicht vollständig aus. arXiv – cs.LG 22.08.2025 05:00
