論文の概要: NMCSE: Noise-Robust Multi-Modal Coupling Signal Estimation Method via Optimal Transport for Cardiovascular Disease Detection

• arxiv url: http://arxiv.org/abs/2505.18174v2
• Date: Mon, 02 Jun 2025 11:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-03 16:22:43.439792
• Title: NMCSE: Noise-Robust Multi-Modal Coupling Signal Estimation Method via Optimal Transport for Cardiovascular Disease Detection
• Title（参考訳）: NMCSE: 心血管疾患検出のための最適輸送によるノイズ・ロバスト多モード結合信号推定法
• Authors: Peihong Zhang, Zhixin Li, Rui Sang, Yuxuan Liu, Yiqiang Cai, Yizhou Tan, Shengchen Li,
• Abstract要約: 最適輸送理論により分布整合性の問題を再検討するノイズ・ロバスト多モード結合信号推定法(NMCSE)を提案する。 CVD検出では,97.38%の精度と0.98のAUCを達成し,最先端の手法より優れ,実世界の臨床応用において堅牢な性能を示す。
• 参考スコア（独自算出の注目度）: 7.255170888607717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiogram (ECG) and Phonocardiogram (PCG) signals are linked by a latent coupling signal representing the electrical-to-mechanical cardiac transformation. While valuable for cardiovascular disease (CVD) detection, this coupling signal is traditionally estimated using deconvolution methods that amplify noise, limiting clinical utility. In this paper, we propose Noise-Robust Multi-Modal Coupling Signal Estimation (NMCSE), which reformulates the problem as distribution matching via optimal transport theory. By jointly optimizing amplitude and temporal alignment, NMCSE mitigates noise amplification without additional preprocessing. Integrated with our Temporal-Spatial Feature Extraction network, NMCSE enables robust multi-modal CVD detection. Experiments on the PhysioNet 2016 dataset with realistic hospital noise demonstrate that NMCSE reduces estimation errors by approximately 30% in Mean Squared Error while maintaining higher Pearson Correlation Coefficients across all tested signal-to-noise ratios. Our approach achieves 97.38% accuracy and 0.98 AUC in CVD detection, outperforming state-of-the-art methods and demonstrating robust performance for real-world clinical applications.
• Abstract（参考訳）: 心電図(ECG)とPhonocardiogram(PCG)の信号は、電気-機械的心臓変換を表す潜時結合信号によってリンクされる。 心血管疾患(CVD)の検出には有用であるが、従来、この結合シグナルはノイズを増幅し臨床的有用性を制限するデコンボリューション法を用いて推定されてきた。 本稿では, 最適輸送理論による分散マッチング問題を再検討するノイズ・ロバスト多モード結合信号推定法(NMCSE)を提案する。 NMCSEは振幅と時間的アライメントを共同最適化することにより、追加の事前処理なしでノイズ増幅を緩和する。 NMCSEは時間空間特徴抽出ネットワークと統合され、堅牢なマルチモーダルCVD検出を可能にする。 リアルな病院ノイズを伴うPhyloNet 2016データセットの実験では、NMCSEは平均正方形誤差で推定誤差を約30%削減し、Pearson相関係数を全ての試験された信号対雑音比で維持することを示した。 CVD検出では,97.38%の精度と0.98のAUCを達成し,最先端の手法より優れ,実世界の臨床応用において堅牢な性能を示す。

関連論文リスト

• Wavelet Integrated Convolutional Neural Network for ECG Signal Denoising [1.565361244756411]
  ドライ電極を用いたウェアラブル心電図(ECG)測定は、高強度ノイズ歪みに問題がある。 本研究では、クリーンECGの特定の周波数特徴を抽出するウェーブレット変換層を付加した畳み込みニューラルネットワーク(CNN)モデルを提案する。 実験の結果,提案手法は全ての周波数領域を考慮し,ノイズを低減した正確なECGの挙動を効果的に予測できることが確認された。
  論文  参考訳（メタデータ） (2025-01-12T06:18:46Z)
• A Multi-Modal Unsupervised Machine Learning Approach for Biomedical Signal Processing in CPR [12.81782890394599]
  CPR中の生体信号のリアルタイム解析は、モニタリングと意思決定に不可欠である。 フィルタのような従来の分極法は、CPR信号に存在する様々な複雑なノイズパターンに適応するのに苦労する。 本稿では,マルチモーダルフレームワークを用いたCPR信号の非教師なし機械学習(ML)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-03T18:40:25Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Heart Sound Classification Considering Additive Noise and Convolutional Distortion [2.63046959939306]
  異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。 本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。 提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
  論文  参考訳（メタデータ） (2021-06-03T14:09:04Z)

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。