論文の概要: Generating Realistic Multi-Beat ECG Signals

• arxiv url: http://arxiv.org/abs/2505.18189v1
• Date: Mon, 19 May 2025 13:50:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.139096
• Title: Generating Realistic Multi-Beat ECG Signals
• Title（参考訳）: 実効性マルチビート心電図信号の生成
• Authors: Paul Pöhl, Viktor Schlegel, Hao Li, Anil Bharath,
• Abstract要約: 本稿では,現実的な長形ECG信号を生成するための3層合成フレームワークを提案する。 まず拡散モデルを用いて高忠実度シングルビートを生成し、その後、臨界時間依存性を保ったビート間特徴を合成し、最後に、ビートをコヒーレントなロングシーケンスにアセンブルする。 不整脈分類では, 拡散モデルを用いて, 長形合成心電図がエンドツーエンドの心電図生成より有意に優れていた。
• 参考スコア（独自算出の注目度）: 9.817387015919023
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generating synthetic ECG data has numerous applications in healthcare, from educational purposes to simulating scenarios and forecasting trends. While recent diffusion models excel at generating short ECG segments, they struggle with longer sequences needed for many clinical applications. This paper proposes a novel three-layer synthesis framework for generating realistic long-form ECG signals. We first generate high-fidelity single beats using a diffusion model, then synthesize inter-beat features preserving critical temporal dependencies, and finally assemble beats into coherent long sequences using feature-guided matching. Our comprehensive evaluation demonstrates that the resulting synthetic ECGs maintain both beat-level morphological fidelity and clinically relevant inter-beat relationships. In arrhythmia classification tasks, our long-form synthetic ECGs significantly outperform end-to-end long-form ECG generation using the diffusion model, highlighting their potential for increasing utility for downstream applications. The approach enables generation of unprecedented multi-minute ECG sequences while preserving essential diagnostic characteristics.
• Abstract（参考訳）: 人工心電図データの生成は、教育目的からシナリオのシミュレーションや予測トレンドに至るまで、医療に多くの応用がある。 最近の拡散モデルは、短いECGセグメントを生成するのに優れているが、多くの臨床応用に必要な長いシーケンスに苦慮している。 本稿では,現実的な長形ECG信号を生成するための3層合成フレームワークを提案する。 まず拡散モデルを用いて高忠実度単一ビートを生成し、その後、臨界時間依存性を保ったビート間特徴を合成し、最後に特徴誘導マッチングを用いてコヒーレント長列にビートをアセンブルする。 総括的評価の結果, 人工心電図はビートレベルの形態的忠実度と臨床関連性の両方を維持していることが明らかとなった。 不整脈分類タスクでは、拡散モデルを用いて、我々の長形合成ECGは、エンド・ツー・エンドの長形心電図生成を著しく上回っており、下流アプリケーションに対する有用性を高める可能性を強調している。 本手法は,本質的な診断特性を維持しつつ,前例のない多分間のECGシーケンスの生成を可能にする。

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)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• 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)
• DiffECG: A Versatile Probabilistic Diffusion Model for ECG Signals Synthesis [4.6685771141109305]
  本稿では,ECG合成の拡散確率モデルに基づく新しい多元性アプローチを提案する。 本手法は、ECG合成における最初の一般化された条件付きアプローチを示す。 提案手法は、他の最先端のECG生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-02T19:08:31Z)
• ECGAN: Self-supervised generative adversarial network for electrocardiography [11.460692362624533]
  高品質な合成データは、バイオメディカルタスクのための効果的な予測モデルの開発を支援することができる。 これらの制限は、例えば不整脈に関する心電図データセットへのオープンアクセスに悪影響を及ぼす。 本研究は, 人工心電図時系列生成における自己監督的アプローチを導入する。
  論文  参考訳（メタデータ） (2023-01-23T15:48:02Z)
• Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
  本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。 以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-05T20:28:55Z)
• 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)

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。