論文の概要: Learning ECG Representations via Poly-Window Contrastive Learning

• arxiv url: http://arxiv.org/abs/2508.15225v1
• Date: Thu, 21 Aug 2025 04:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.178761
• Title: Learning ECG Representations via Poly-Window Contrastive Learning
• Title（参考訳）: ポリウィンドウコントラスト学習による心電図表現の学習
• Authors: Yi Yuan, Joseph Van Duyn, Runze Yan, Zhuoyi Huang, Sulaiman Vesal, Sergey Plis, Xiao Hu, Gloria Hyunjung Kwak, Ran Xiao, Alex Fedorov,
• Abstract要約: 本稿では,ECG分析のための多ウィンドウコントラスト学習フレームワークを提案する。 遅い特徴分析の原理に触発されて、我々のアプローチは時間的不変性と生理学的に有意な特徴を学習するようモデルに強く促す。 この結果から,マルチラベル・スーパークラス分類において,マルチウィンドウのコントラスト学習が従来の2ビュー手法より一貫して優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 5.200583783760777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiogram (ECG) analysis is foundational for cardiovascular disease diagnosis, yet the performance of deep learning models is often constrained by limited access to annotated data. Self-supervised contrastive learning has emerged as a powerful approach for learning robust ECG representations from unlabeled signals. However, most existing methods generate only pairwise augmented views and fail to leverage the rich temporal structure of ECG recordings. In this work, we present a poly-window contrastive learning framework. We extract multiple temporal windows from each ECG instance to construct positive pairs and maximize their agreement via statistics. Inspired by the principle of slow feature analysis, our approach explicitly encourages the model to learn temporally invariant and physiologically meaningful features that persist across time. We validate our approach through extensive experiments and ablation studies on the PTB-XL dataset. Our results demonstrate that poly-window contrastive learning consistently outperforms conventional two-view methods in multi-label superclass classification, achieving higher AUROC (0.891 vs. 0.888) and F1 scores (0.680 vs. 0.679) while requiring up to four times fewer pre-training epochs (32 vs. 128) and 14.8% in total wall clock pre-training time reduction. Despite processing multiple windows per sample, we achieve a significant reduction in the number of training epochs and total computation time, making our method practical for training foundational models. Through extensive ablations, we identify optimal design choices and demonstrate robustness across various hyperparameters. These findings establish poly-window contrastive learning as a highly efficient and scalable paradigm for automated ECG analysis and provide a promising general framework for self-supervised representation learning in biomedical time-series data.
• Abstract（参考訳）: 心電図(ECG)解析は心血管疾患診断の基礎となっているが、深層学習モデルの性能は注釈付きデータへの限られたアクセスによって制限されることが多い。 自己教師付きコントラスト学習は、ラベルのない信号から堅牢なECG表現を学習するための強力なアプローチとして登場した。 しかし、既存のほとんどの手法はペアワイズ拡張ビューしか生成せず、ECG記録の豊富な時間構造を利用できない。 本研究では,多ウィンドウコントラスト学習フレームワークを提案する。 我々は各ECGインスタンスから複数の時間ウィンドウを抽出し、正のペアを構築し、統計によってそれらの合意を最大化する。 遅い特徴分析の原理にインスパイアされた我々のアプローチは、時間を通して持続する時間的不変性と生理学的に意味のある特徴を学習するよう、モデルに強く促す。 PTB-XLデータセットに関する広範な実験およびアブレーション研究を通じて,本手法の有効性を検証した。 AUROC (0.891 vs. 0.888) と F1 スコア (0.680 vs. 0.679) を達成し, 事前学習の4倍 (32 vs. 128) と壁時計の14.8% の時間短縮を要求された。 サンプル毎に複数のウィンドウを処理しているにもかかわらず、トレーニングのエポック数と総計算時間の大幅な削減を実現し、基礎モデルのトレーニングに有効である。 広範囲にわたる改善を通じて、最適な設計選択を識別し、様々なハイパーパラメータにわたって堅牢性を実証する。 これらの結果から,自動心電図解析のための高効率でスケーラブルな多ウィンドウコントラスト学習が確立され,生物医学的時系列データにおける自己教師型表現学習のための有望なフレームワークが提供される。

関連論文リスト

• Enhancing Contrastive Learning-based Electrocardiogram Pretrained Model with Patient Memory Queue [3.7515781255643885]
  ラベルのないデータに基づいて、堅牢なECG事前トレーニングモデルを構築する方法は、研究者にとって重要な分野である。 対照的な学習に基づく心電図事前訓練モデルの最近の進歩は、心電図固有の患者レベルの自己監督信号を活用する可能性を強調している。 患者記憶キュー(PMQ)により強化されたコントラスト学習型ECG事前学習モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-26T05:04:03Z)
• 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)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• Learning Beyond Similarities: Incorporating Dissimilarities between Positive Pairs in Self-Supervised Time Series Learning [4.2807943283312095]
  本稿では,正の対間の相似性を統合することで,単なる類似性を超越するSSLアプローチの先駆者となる。 本フレームワークは心電図(ECG)信号に適用され,心房細動(AFib)の検出精度が,多彩な被験者に+10%向上した。
  論文  参考訳（メタデータ） (2023-09-14T08:49:35Z)
• Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization [0.674572634849505]
  核のインスタンスセグメンテーションは、幅広い臨床および研究応用において、基本的な役割を果たす。 ディープラーニング(DL)ベースのアプローチは、最高のパフォーマンスを提供するために示されています。 本稿では,DLに基づく自動セグメンテーション手法の一般化能力向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-12T11:29:35Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Training Strategies for Improved Lip-reading [61.661446956793604]
  本研究では,最先端データ拡張手法,時間モデル,その他のトレーニング戦略の性能について検討する。 すべての手法を組み合わせると、分類精度は93.4%となり、現在の最先端技術よりも4.6%向上した。 各種学習手法の誤り解析により, 難解な単語の分類精度を高めることにより, 性能が向上することが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-03T09:38:11Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Robustly Pre-trained Neural Model for Direct Temporal Relation Extraction [10.832917897850361]
  BERT (Bidirectional Representation using Transformer) のいくつかの変種について検討した。 2012 i2b2 時間関係課題データセットのセマンティックな部分集合である直接時間関係データセットを用いて,これらの手法の評価を行った。 結果: 10倍のコーパスを含む事前学習戦略を取り入れたRoBERTaは,F値の絶対スコア(1.00スケール)を0.0864改善し,SVMモデルで達成した従来の最先端性能と比較して誤差率を24%低減した。
  論文  参考訳（メタデータ） (2020-04-13T22:01:38Z)

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。