論文の概要: Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture

• arxiv url: http://arxiv.org/abs/2410.08559v3
• Date: Mon, 02 Dec 2024 12:16:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-03 21:01:15.79137
• Title: Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture
• Title（参考訳）: 統合埋め込み予測アーキテクチャを用いた12左心電図の一般表現
• Authors: Sehun Kim,
• Abstract要約: 本稿では,12誘導ECG分析のための自己教師型学習モデルECG-JEPAを紹介する。 隠れた潜在空間で予測することで、ECGデータのセマンティック表現を学習する。 ECG-JEPAは、ECG分類や特徴予測を含む様々な下流タスクで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiogram (ECG) captures the heart's electrical signals, offering valuable information for diagnosing cardiac conditions. However, the scarcity of labeled data makes it challenging to fully leverage supervised learning in medical domain. Self-supervised learning (SSL) offers a promising solution, enabling models to learn from unlabeled data and uncover meaningful patterns. In this paper, we show that masked modeling in the latent space can be a powerful alternative to existing self-supervised methods in the ECG domain. We introduce ECG-JEPA, a SSL model for 12-lead ECG analysis that learns semantic representations of ECG data by predicting in the hidden latent space, bypassing the need to reconstruct raw signals. This approach offers several advantages in the ECG domain: (1) it avoids producing unnecessary details, such as noise, which is common in ECG; and (2) it addresses the limitations of na\"ive L2 loss between raw signals. Another key contribution is the introduction of Cross-Pattern Attention (CroPA), a specialized masked attention mechanism tailored for 12-lead ECG data. ECG-JEPA is trained on the union of several open ECG datasets, totaling approximately 180,000 samples, and achieves state-of-the-art performance in various downstream tasks including ECG classification and feature prediction. Our code is openly available at https://github.com/sehunfromdaegu/ECG_JEPA.
• Abstract（参考訳）: 心電図(ECG)は心臓の電気信号を捉え、心臓の状態を診断するための貴重な情報を提供する。 しかし、ラベル付きデータの不足により、医療領域における教師あり学習の活用が困難になる。 自己教師付き学習(SSL)は有望なソリューションであり、モデルがラベルのないデータから学習し、意味のあるパターンを明らかにすることができる。 本稿では,潜在空間におけるマスクド・モデリングが,ECG領域における既存の自己管理手法の強力な代替となることを示す。 本稿では,12リードのECG解析用SSLモデルであるECG-JEPAを紹介し,生信号の再構築を回避し,隠れ潜伏空間内での予測によりECGデータのセマンティック表現を学習する。 このアプローチはECG領域にいくつかの利点をもたらす:(1)ECGで一般的なノイズなどの不要な詳細を発生させないこと、(2)生信号間のna\\ive L2損失の制限に対処すること。 もうひとつの重要な貢献はCroPA(Cross-Pattern Attention)の導入である。 ECG-JEPAは、約180,000サンプルのオープンECGデータセットの統合に基づいてトレーニングされており、ECG分類や機能予測など、さまざまな下流タスクで最先端のパフォーマンスを達成する。 私たちのコードはhttps://github.com/sehunfromdaegu/ECG_JEPAで公開されています。

関連論文リスト

• A Deep Learning Pipeline Using Synthetic Data to Improve Interpretation of Paper ECG Images [8.559073054541754]
  心臓血管疾患 (CVDs) は、死の世界的な主要な原因であり、早期発見は患者の予後を改善するのに不可欠である。 本稿では,紙のようなECG画像を5つの診断カテゴリに分類する深層学習フレームワークを提案する。 私たちの手法は、2024年のBritish Heart Foundation Open Data Science Challengeで優勝しました。
  論文  参考訳（メタデータ） (2025-07-29T16:16:17Z)
• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• From Token to Rhythm: A Multi-Scale Approach for ECG-Language Pretraining [22.214252217020174]
  本稿では,マルチスケールECG-Language Pretraining(MELP)モデルを紹介する。 我々は、ゼロショットECG分類、線形探索、転送学習を含む、複数のタスクにわたる3つのパブリックECGデータセット上でMELPを評価する。
  論文  参考訳（メタデータ） (2025-06-11T07:22:17Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Deep learning model for ECG reconstruction reveals the information content of ECG leads [0.0]
  本研究は心電図(ECG)の欠損した鉛を再構成するためのU-netアーキテクチャに基づくディープラーニングモデルを提案する。 公開されているデータセットを使用して、モデルは12リードのECGデータを再生するように訓練された。 その結果,各ECGリードの情報内容と,その相互関係を定量化するモデルの有効性が明らかになった。
  論文  参考訳（メタデータ） (2025-02-01T21:06:07Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• ECG-FM: An Open Electrocardiogram Foundation Model [3.611746032873298]
  本稿では,ECG分析のためのオープン基盤モデルであるECG-FMを提案する。 ECG-FMはトランスフォーマーベースのアーキテクチャを採用し、250万のサンプルで事前訓練されている。 文脈情報のコマンドが強靭なパフォーマンス、豊富な事前学習された埋め込み、信頼性のある解釈可能性をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-09T17:06:49Z)
• ECGrecover: a Deep Learning Approach for Electrocardiogram Signal Completion [1.727597257312416]
  完全12誘導ECG信号を不完全部分から再構成するという課題に対処する。 再建問題に対処するために,新しい目的関数を訓練したU-Netアーキテクチャを用いたモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-31T15:17:12Z)
• MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Guiding Masked Representation Learning to Capture Spatio-Temporal Relationship of Electrocardiogram [2.2842904085777045]
  本稿では,ST-MEM(S-Temporal Masked Electrocardiogram Modeling)を提案する。 ST-MEMは、不整脈に対する様々な実験的設定において、他のSSLベースラインメソッドよりも優れている。
  論文  参考訳（メタデータ） (2024-02-02T10:04:13Z)
• ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method for ECG signal [19.885905393439014]
  本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。 この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。 提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2023-10-01T23:17:55Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• ETP: Learning Transferable ECG Representations via ECG-Text Pre-training [10.856365645831728]
  ECG-Text Pre-training (ETP)は、ECG信号とテキストレポートをリンクするクロスモーダル表現を学習するために設計された革新的なフレームワークである。 ETPはECGエンコーダと事前訓練された言語モデルを使用して、ECG信号を対応するテキストレポートと整合させる。
  論文  参考訳（メタデータ） (2023-09-06T19:19:26Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat Counting and Demographic Data Integration [0.0]
  本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。 具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。 これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
  論文  参考訳（メタデータ） (2022-08-15T09:33:36Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Few-Shot Electronic Health Record Coding through Graph Contrastive Learning [64.8138823920883]
  我々は,グラフベースのEHRコーディングフレームワークであるCoGraphを用いて,頻繁かつ希少なICD符号の性能向上を図る。 CoGraphは、異なるICDコードからHEWEグラフ間の類似点と相似点を学習し、それら間で情報を転送する。 2つのグラフコントラスト学習スキームであるGSCLとGECLは、HEWEグラフ構造を利用して、転送可能な特徴を符号化する。
  論文  参考訳（メタデータ） (2021-06-29T14:53:17Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。