論文の概要: xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM
- arxiv url: http://arxiv.org/abs/2504.16101v1
- Date: Mon, 14 Apr 2025 16:12:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:52.826725
- Title: xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM
- Title（参考訳）: xLSTM-ECG:xLSTMによる特徴融合による多ラベルECG分類
- Authors: Lei Kang, Xuanshuo Fu, Javier Vazquez-Corral, Ernest Valveny, Dimosthenis Karatzas,
- Abstract要約: 本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。
我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
- 参考スコア（独自算出の注目度）: 14.02717596836022
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cardiovascular diseases (CVDs) remain the leading cause of mortality worldwide, highlighting the critical need for efficient and accurate diagnostic tools. Electrocardiograms (ECGs) are indispensable in diagnosing various heart conditions; however, their manual interpretation is time-consuming and error-prone. In this paper, we propose xLSTM-ECG, a novel approach that leverages an extended Long Short-Term Memory (xLSTM) network for multi-label classification of ECG signals, using the PTB-XL dataset. To the best of our knowledge, this work represents the first design and application of xLSTM modules specifically adapted for multi-label ECG classification. Our method employs a Short-Time Fourier Transform (STFT) to convert time-series ECG waveforms into the frequency domain, thereby enhancing feature extraction. The xLSTM architecture is specifically tailored to address the complexities of 12-lead ECG recordings by capturing both local and global signal features. Comprehensive experiments on the PTB-XL dataset reveal that our model achieves strong multi-label classification performance, while additional tests on the Georgia 12-Lead dataset underscore its robustness and efficiency. This approach significantly improves ECG classification accuracy, thereby advancing clinical diagnostics and patient care. The code will be publicly available upon acceptance.
- Abstract（参考訳）: 心臓血管疾患 (CVDs) は世界中で死に至る主要な原因であり、効率的かつ正確な診断ツールの必要性を浮き彫りにしている。
心電図(ECG)は、様々な心臓状態の診断に欠かせないが、その手動による解釈は時間がかかり、エラーを起こしやすい。
本稿では,拡張Long Short-Term Memory (xLSTM) ネットワークを利用して,PTB-XLデータセットを用いてECG信号のマルチラベル分類を行う手法であるxLSTM-ECGを提案する。
我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
本手法では,時系列ECG波形を周波数領域に変換するために,STFT (Short-Time Fourier Transform) を用いる。
xLSTMアーキテクチャは、ローカル信号とグローバル信号の両方をキャプチャすることで、12リードのECG記録の複雑さに対処するように特別に調整されている。
PTB-XLデータセットの総合的な実験により、我々のモデルは強力なマルチラベル分類性能を達成し、ジョージア12リードデータセットのさらなるテストは、その堅牢性と効率性を示している。
このアプローチは心電図の分類精度を著しく向上させ,臨床診断と患者医療を進歩させる。
コードは受理時に公開される。
関連論文リスト
- 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) - Arrhythmia Classification from 12-Lead ECG Signals Using Convolutional and Transformer-Based Deep Learning Models [0.0]
ルーマニアでは、心臓血管疾患が死因の主要な原因であり、毎年の死者の3分の1近くを占める。
本稿では, 資源制約型医療環境における不整脈診断の効率化, 軽量化, 迅速化を図ることを目的とする。
論文 参考訳（メタデータ） (2025-02-25T06:17:52Z) - Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture [0.0]
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。
論文 参考訳（メタデータ） (2024-10-11T06:30:48Z) - 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) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - 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) - Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
心電図(ECG)信号から心疾患を視覚的に検出することは困難である。
自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
論文 参考訳（メタデータ） (2020-11-12T04:20:56Z) - 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)
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。