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

• 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)
• 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)
• 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)
• 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)
• TSRNet: Simple Framework for Real-time ECG Anomaly Detection with Multimodal Time and Spectrogram Restoration Network [9.770923451320938]
  本稿では,異常検出を利用したトレーニング用心電図データのみを用いた不健康状態の同定手法を提案する。 本稿では,心電図信号の異常検出に特化して設計されたTSRNet(Multimodal Time and Spectrogram Restoration Network)を提案する。
  論文  参考訳（メタデータ） (2023-12-15T20:27:38Z)
• 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)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• ECG Signal Super-resolution by Considering Reconstruction and Cardiac Arrhythmias Classification Loss [0.0]
  圧縮ECG信号を復元するための深層学習型ECG信号スーパーレゾリューションフレームワーク(ESRNet)を提案する。 実験の結果,提案するESRNetフレームワークは10回圧縮されたECG信号を十分に再構成できることがわかった。
  論文  参考訳（メタデータ） (2020-12-07T15:43:50Z)
• 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。