Fugu-MT 論文翻訳(概要): Physics-Based Explainable AI for ECG Segmentation: A Lightweight Model

論文の概要: Physics-Based Explainable AI for ECG Segmentation: A Lightweight Model

arxiv url: http://arxiv.org/abs/2508.15872v1
Date: Thu, 21 Aug 2025 08:45:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-25 16:42:36.136222
Title: Physics-Based Explainable AI for ECG Segmentation: A Lightweight Model
Title（参考訳）: 物理に基づくECGセグメンテーションのための説明可能なAI:軽量モデル
Authors: Muhammad Fathur Rohman Sidiq, Abdurrouf, Didik Rahadi Santoso,
Abstract要約: 本研究は、スペクトル解析と確率論的予測を組み合わせ、ECG信号セグメンテーションのための合理化アーキテクチャを提案する。複雑な層を単純な層に置き換えることで、P波、QRS波、T波の時間的特徴とスペクトル特性の両方を効果的に捉えることができる。
参考スコア（独自算出の注目度）: 1.4018975578160688
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The heart's electrical activity, recorded through Electrocardiography (ECG), is essential for diagnosing various cardiovascular conditions. However, many existing ECG segmentation models rely on complex, multi-layered architectures such as BiLSTM, which are computationally intensive and inefficient. This study introduces a streamlined architecture that combines spectral analysis with probabilistic predictions for ECG signal segmentation. By replacing complex layers with simpler ones, the model effectively captures both temporal and spectral features of the P, QRS, and T waves. Additionally, an Explainable AI (XAI) approach is applied to enhance model interpretability by explaining how temporal and frequency-based features contribute to ECG segmentation. By incorporating principles from physics-based AI, this method provides a clear understanding of the decision-making process, ensuring reliability and transparency in ECG analysis. This approach achieves high segmentation accuracy: 97.00% for the QRS wave, 93.33% for the T wave, and 96.07% for the P wave. These results indicate that the simplified architecture not only improves computational efficiency but also provides precise segmentation, making it a practical and effective solution for heart signal monitoring.
Abstract（参考訳）: 心電図(ECG)によって記録される心臓の電気活動は、様々な心血管疾患の診断に不可欠である。しかし、既存のECGセグメンテーションモデルの多くは、計算集約的で非効率なBiLSTMのような複雑な多層アーキテクチャに依存している。本研究は、スペクトル解析と確率論的予測を組み合わせ、ECG信号セグメンテーションのための合理化アーキテクチャを提案する。複雑な層を単純な層に置き換えることで、このモデルはP波、QRS波、T波の時間的特徴とスペクトル特性の両方を効果的に捉えることができる。さらに、時間的および周波数に基づく特徴がECGセグメンテーションにどのように寄与するかを説明することによって、モデル解釈可能性を高めるために、説明可能なAI(XAI)アプローチが適用される。物理に基づくAIの原理を取り入れることで、この手法は意思決定プロセスを明確に理解し、ECG分析の信頼性と透明性を確保する。このアプローチは、QRS波の97.00%、T波の93.33%、P波の96.07%という高いセグメンテーション精度を実現する。これらの結果は、単純化されたアーキテクチャは計算効率を向上するだけでなく、正確なセグメンテーションも提供し、心臓信号モニタリングの実用的で効果的なソリューションであることを示している。

関連論文リスト

AICRN: Attention-Integrated Convolutional Residual Network for Interpretable Electrocardiogram Analysis [0.4077139177290857]
本研究は,注意統合畳み込み残差ネットワーク(AICRN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。本アーキテクチャは,レグレッションのためのECG特徴のタイプと空間的位置に対処する空間的およびチャネル的注意関連機構を特化して設計されている。このシステムは、人間のエラーによる焦点の喪失などの従来の分析課題に対処し、心臓イベントの迅速かつ容易な検出を容易にする。
論文参考訳（メタデータ） (2025-08-16T21:10:45Z)
CardioPatternFormer: Pattern-Guided Attention for Interpretable ECG Classification with Transformer Architecture [0.40964539027092906]
解釈可能なECG分類のためのトランスフォーマーモデルであるCardioPatternFormerを提案する。多様な心臓パターンを正確に識別し分類するために、洗練された注意機構を用いる。微妙な異常を識別し、複数の共起条件を識別する。
論文参考訳（メタデータ） (2025-05-26T19:36:58Z)
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)
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)
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)
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)
SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文参考訳（メタデータ） (2022-10-31T07:36:48Z)
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)
Physics-constrained Deep Learning for Robust Inverse ECG Modeling [0.913755431537592]
本稿では,高次元逆ECGモデリングのための物理制約付きディープラーニング(P-DL)フレームワークを提案する。提案手法は,逆心電図モデルと心内電位の時間変化分布の予測に有効である。
論文参考訳（メタデータ） (2021-07-26T01:30:41Z)
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。