論文の概要: From High-SNR Radar Signal to ECG: A Transfer Learning Model with Cardio-Focusing Algorithm for Scenarios with Limited Data
- arxiv url: http://arxiv.org/abs/2506.19358v1
- Date: Tue, 24 Jun 2025 06:38:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.51779
- Title: From High-SNR Radar Signal to ECG: A Transfer Learning Model with Cardio-Focusing Algorithm for Scenarios with Limited Data
- Title（参考訳）: 高SNRレーダ信号からECGへ:限られたデータを持つシナリオに対する心臓焦点アルゴリズムを用いた伝達学習モデル
- Authors: Yuanyuan Zhang, Haocheng Zhao, Sijie Xiong, Rui Yang, Eng Gee Lim, Yutao Yue,
- Abstract要約: この研究は、限られたデータを持つ新しいシナリオにおけるレーダベースのECGリカバリに焦点を当てる。
転写学習モデル(RFcardi)を提案し,心電図の真偽を示さずにレーダ信号から心臓関連情報を抽出する。
RFcardiモデルは、少数のレーダーECGペアを使用してトレーニングを行い、忠実なECG回復を効果的に生成することができる。
- 参考スコア（独自算出の注目度）: 11.914561937089214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrocardiogram (ECG), as a crucial find-grained cardiac feature, has been successfully recovered from radar signals in the literature, but the performance heavily relies on the high-quality radar signal and numerous radar-ECG pairs for training, restricting the applications in new scenarios due to data scarcity. Therefore, this work will focus on radar-based ECG recovery in new scenarios with limited data and propose a cardio-focusing and -tracking (CFT) algorithm to precisely track the cardiac location to ensure an efficient acquisition of high-quality radar signals. Furthermore, a transfer learning model (RFcardi) is proposed to extract cardio-related information from the radar signal without ECG ground truth based on the intrinsic sparsity of cardiac features, and only a few synchronous radar-ECG pairs are required to fine-tune the pre-trained model for the ECG recovery. The experimental results reveal that the proposed CFT can dynamically identify the cardiac location, and the RFcardi model can effectively generate faithful ECG recoveries after using a small number of radar-ECG pairs for training. The code and dataset are available after the publication.
- Abstract（参考訳）: 心電図(ECG, Electrocardiogram, 心電図)は, 文献中のレーダー信号からの回復に成功しているが, 精度の高いレーダ信号と多数のレーダ-ECGペアの訓練に大きく依存しており, データ不足による新たなシナリオの応用が制限されている。
そこで,本研究は,限られたデータを持つ新たなシナリオにおけるレーダベースの心電図回復に焦点を当て,心臓位置を正確に追跡し,高品質なレーダ信号の効率的な取得を実現するための心臓焦点追跡(CFT)アルゴリズムを提案する。
さらに、心電図の真偽のないレーダ信号から心電図を抽出するためには、心電図の特徴の内在性に基づく転写学習モデル(RFcardi)が提案され、ECG回復のための訓練済みモデルを微調整するためには、少数の同期レーダ-ECGペアが要求される。
実験の結果,提案したCFTは心臓位置を動的に同定でき,RFcardiモデルは少数のレーダーとECGのペアを訓練に使用した後,忠実な心電図の回復を効果的に生成できることがわかった。
コードとデータセットは公開後に入手可能だ。
関連論文リスト
- AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
心電図(ECG)は急性心臓発作の検出に非常に敏感である。
本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
論文 参考訳（メタデータ） (2024-11-17T17:32:58Z) - ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。
我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
論文 参考訳（メタデータ） (2024-09-19T06:14:30Z) - radarODE: An ODE-Embedded Deep Learning Model for Contactless ECG Reconstruction from Millimeter-Wave Radar [16.52097542165782]
レーダノードと呼ばれる新しいディープラーニングフレームワークは、レーダ信号から抽出された時間的および形態的特徴を融合させ、ECGを生成するように設計されている。
レーダノードは,検出率の欠落,ルート平均二乗誤差,ピアソン相関係数の9%,16%,19%で,ベンチマークよりも優れた性能を実現している。
論文 参考訳（メタデータ） (2024-08-03T06:07:15Z) - 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) - Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals [4.056982620027252]
単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。
また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
論文 参考訳（メタデータ） (2024-02-12T11:04:08Z) - 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) - 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。