論文の概要: NeuroHD-RA: Neural-distilled Hyperdimensional Model with Rhythm Alignment

• arxiv url: http://arxiv.org/abs/2507.14184v2
• Date: Tue, 22 Jul 2025 05:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 15:16:11.951364
• Title: NeuroHD-RA: Neural-distilled Hyperdimensional Model with Rhythm Alignment
• Title（参考訳）: NeuroHD-RA: リズムアライメントを伴うニューラル蒸留超次元モデル
• Authors: ZhengXiao He, Jinghao Wen, Huayu Li, Ao Li,
• Abstract要約: 心電図(ECG)に基づく疾患検出のための新規かつ解釈可能な枠組みを提案する。 本稿では、RR間隔に基づくリズム認識およびトレーニング可能な符号化パイプライン、生理学的信号セグメンテーション戦略を導入する。 我々のフレームワークは、エッジ互換のECG分類のための効率的でスケーラブルなソリューションを提供し、解釈可能でパーソナライズされた健康モニタリングの強力な可能性を秘めている。
• 参考スコア（独自算出の注目度）: 1.2353722101445415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel and interpretable framework for electrocardiogram (ECG)-based disease detection that combines hyperdimensional computing (HDC) with learnable neural encoding. Unlike conventional HDC approaches that rely on static, random projections, our method introduces a rhythm-aware and trainable encoding pipeline based on RR intervals, a physiological signal segmentation strategy that aligns with cardiac cycles. The core of our design is a neural-distilled HDC architecture, featuring a learnable RR-block encoder and a BinaryLinear hyperdimensional projection layer, optimized jointly with cross-entropy and proxy-based metric loss. This hybrid framework preserves the symbolic interpretability of HDC while enabling task-adaptive representation learning. Experiments on Apnea-ECG and PTB-XL demonstrate that our model significantly outperforms traditional HDC and classical ML baselines, achieving 73.09\% precision and an F1 score of 0.626 on Apnea-ECG, with comparable robustness on PTB-XL. Our framework offers an efficient and scalable solution for edge-compatible ECG classification, with strong potential for interpretable and personalized health monitoring.
• Abstract（参考訳）: 本稿では,高次元コンピューティング(HDC)と学習可能なニューラルエンコーディングを組み合わせた心電図(ECG)に基づく疾患検出のための,新規かつ解釈可能なフレームワークを提案する。 静的なランダムなプロジェクションに依存する従来のHDCアプローチとは異なり、本手法では、RR間隔に基づくリズム認識およびトレーニング可能な符号化パイプラインを導入している。 我々の設計の中核は、学習可能なRRブロックエンコーダとBinaryLinear超次元プロジェクション層を備え、クロスエントロピーとプロキシベースのメトリックロスを併用して最適化された、ニューラルネットワークによるHDCアーキテクチャである。 このハイブリッドフレームワークは、タスク適応型表現学習を可能にしながら、HDCのシンボル的解釈可能性を保存する。 Apnea-ECG と PTB-XL の実験により,本モデルは従来の HDC と古典ML のベースラインを大きく上回り,73.09 % の精度と Apnea-ECG の F1 スコアが 0.626 となり,PTB-XL に匹敵するロバスト性を示した。 我々のフレームワークは、エッジ互換のECG分類のための効率的でスケーラブルなソリューションを提供し、解釈可能でパーソナライズされた健康モニタリングの強力な可能性を秘めている。

関連論文リスト

• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• Neuro-Informed Adaptive Learning (NIAL) Algorithm: A Hybrid Deep Learning Approach for ECG Signal Classification [0.0]
  本研究では、畳み込みニューラルネットワーク(CNN)と変圧器に基づく注意機構を統合し、ECG信号の分類を強化するハイブリッドアプローチであるNeuro-Informed Adaptive Learning (NIAL)アルゴリズムを紹介する。 このアルゴリズムは、リアルタイム検証性能に基づいて学習率を動的に調整し、効率的な収束を保証する。 MIT-BIH Arrhythmia と PTB 診断ECG データセットを用いて,従来の手法よりも高い分類精度を実現している。
  論文  参考訳（メタデータ） (2025-03-12T14:37:53Z)
• Compact Neural Network Algorithm for Electrocardiogram Classification [0.0]
  不整脈の自動分類のための小型心電図システムを提案する。 このシステムはMIT-BIH不整脈データベース上で97.36%の精度を達成する。
  論文  参考訳（メタデータ） (2024-12-19T19:55:22Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• 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)
• 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)
• Learning Successor Features with Distributed Hebbian Temporal Memory [44.99833362998488]
  本稿では,不確実性のある意思決定におけるオンラインシーケンス学習の課題に対処するための新しいアプローチを提案する。 提案アルゴリズムは,因子グラフ形式と多成分ニューロンモデルに基づく分散ヘビアンテンポラルメモリ (DHTM) である。 実験の結果, DHTMは非定常データセット上でLSTM, RWKV, 生物学的にインスパイアされたHMMライクなアルゴリズムCSCGより優れていた。
  論文  参考訳（メタデータ） (2023-10-20T10:03:14Z)
• 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)
• 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)
• HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
  不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。 提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。 以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-06T13:26:29Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
  本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。 提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-18T13:13:41Z)
• 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。