論文の概要: Self-Alignment Learning to Improve Myocardial Infarction Detection from Single-Lead ECG

• arxiv url: http://arxiv.org/abs/2509.19397v1
• Date: Tue, 23 Sep 2025 03:54:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.540082
• Title: Self-Alignment Learning to Improve Myocardial Infarction Detection from Single-Lead ECG
• Title（参考訳）: 単葉心電図による心筋梗塞検出のための自己調整学習
• Authors: Jiarui Jin, Xiaocheng Fang, Haoyu Wang, Jun Li, Che Liu, Donglin Xie, Hongyan Li, Shenda Hong,
• Abstract要約: 心筋梗塞は冠動脈疾患の重要な徴候である。 単葉心電図(ECG)から検出するのは空間情報が少ないため困難である。 単誘導心電図による心筋梗塞検出を改善するための簡易かつ効果的なアライメント学習フレームワークであるSelfMISを提案する。
• 参考スコア（独自算出の注目度）: 30.009709596357478
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Myocardial infarction is a critical manifestation of coronary artery disease, yet detecting it from single-lead electrocardiogram (ECG) remains challenging due to limited spatial information. An intuitive idea is to convert single-lead into multiple-lead ECG for classification by pre-trained models, but generative methods optimized at the signal level in most cases leave a large latent space gap, ultimately degrading diagnostic performance. This naturally raises the question of whether latent space alignment could help. However, most prior ECG alignment methods focus on learning transformation invariance, which mismatches the goal of single-lead detection. To address this issue, we propose SelfMIS, a simple yet effective alignment learning framework to improve myocardial infarction detection from single-lead ECG. Discarding manual data augmentations, SelfMIS employs a self-cutting strategy to pair multiple-lead ECG with their corresponding single-lead segments and directly align them in the latent space. This design shifts the learning objective from pursuing transformation invariance to enriching the single-lead representation, explicitly driving the single-lead ECG encoder to learn a representation capable of inferring global cardiac context from the local signal. Experimentally, SelfMIS achieves superior performance over baseline models across nine myocardial infarction types while maintaining a simpler architecture and lower computational overhead, thereby substantiating the efficacy of direct latent space alignment. Our code and checkpoint will be publicly available after acceptance.
• Abstract（参考訳）: 心筋梗塞は冠動脈疾患の重篤な徴候であるが,心電図(ECG)からの診断は空間情報に乏しいため困難である。 直感的なアイデアは、事前訓練されたモデルで分類するためにシングルリードのECGを複数リードのECGに変換することであるが、ほとんどの場合、信号レベルで最適化された生成方法は大きな遅延空間ギャップを残し、最終的に診断性能を低下させる。 このことは、潜在空間アライメントが役立つかどうかという疑問を自然に提起する。 しかし、従来のECGアライメント手法は、単一リード検出の目標と一致しない変換不変性の学習に重点を置いている。 この問題を解決するために,単誘導心電図による心筋梗塞検出を改善するための簡易かつ効果的なアライメント学習フレームワークであるSelfMISを提案する。 手動データ拡張を念頭に置いて、SelfMISはセルフカット戦略を使用して、複数のリードECGと対応するシングルリードセグメントをペアリングし、遅延空間でそれらを直接整列させる。 この設計は、学習目的を変換不変性を追求することから、単一リードのECGエンコーダを明示的に駆動し、局所信号からグローバルな心臓コンテキストを推測できる表現を学習する単一リードのECGエンコーダにシフトさせる。 実験的に、SelfMISは、よりシンプルなアーキテクチャと計算オーバーヘッドを保ちながら、9種類の心筋梗塞のベースラインモデルよりも優れた性能を実現し、直接遅延空間アライメントの有効性を実証する。 私たちのコードとチェックポイントは受理後に公開されます。

関連論文リスト

• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。 トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。 短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• 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)
• MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
  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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on Continual Learning [20.465733855762835]
  心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。 古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。 本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-10T15:19:00Z)
• A Personalized Zero-Shot ECG Arrhythmia Monitoring System: From Sparse Representation Based Domain Adaption to Energy Efficient Abnormal Beat Detection for Practical ECG Surveillance [17.29714304835742]
  本稿では,ウェアラブルモバイルセンサにおける早期不整脈検出のための低コストで高精度なECGモニタリングシステムを提案する。 ウェアラブルデバイスにパーソナライズされたアルゴリズムが組み込まれている現実のシナリオでは、そのようなトレーニングデータは、心疾患歴のない健康な人には利用できない。 本稿では,既存ユーザの異常信号と正常信号とを新たなユーザ信号空間に投影するために,疎表現に基づくドメイン適応手法を提案する。 ゼロショット不整脈検出のアプローチでは、平均精度は98.2%、F1スコアは92.8%となる。
  論文  参考訳（メタデータ） (2022-07-14T17:40:05Z)
• 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。