論文の概要: Translation from Wearable PPG to 12-Lead ECG

• arxiv url: http://arxiv.org/abs/2509.25480v1
• Date: Mon, 29 Sep 2025 20:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.311955
• Title: Translation from Wearable PPG to 12-Lead ECG
• Title（参考訳）: ウェアラブルPSGから12リード心電図への変換
• Authors: Hui Ji, Wei Gao, Pengfei Zhou,
• Abstract要約: 12誘導心電図(ECG)は、心臓血管モニタリングの標準規格である。 既存の12リードのECGシステムは、不安定なマルチ電極セットアップに依存しており、アンブロトリー環境での持続的な監視を制限している。 PPG信号から臨床的に有効な12誘導心電図を生成するために設計された,革新的な人口動態認識フレームワークであるP2Esを紹介する。
• 参考スコア（独自算出の注目度）: 35.793551592077016
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The 12-lead electrocardiogram (ECG) is the gold standard for cardiovascular monitoring, offering superior diagnostic granularity and specificity compared to photoplethysmography (PPG). However, existing 12-lead ECG systems rely on cumbersome multi-electrode setups, limiting sustained monitoring in ambulatory settings, while current PPG-based methods fail to reconstruct multi-lead ECG due to the absence of inter-lead constraints and insufficient modeling of spatial-temporal dependencies across leads. To bridge this gap, we introduce P2Es, an innovative demographic-aware diffusion framework designed to generate clinically valid 12-lead ECG from PPG signals via three key innovations. Specifically, in the forward process, we introduce frequency-domain blurring followed by temporal noise interference to simulate real-world signal distortions. In the reverse process, we design a temporal multi-scale generation module followed by frequency deblurring. In particular, we leverage KNN-based clustering combined with contrastive learning to assign affinity matrices for the reverse process, enabling demographic-specific ECG translation. Extensive experimental results show that P2Es outperforms baseline models in 12-lead ECG reconstruction.
• Abstract（参考訳）: 12誘導心電図(ECG)は、心血管モニタリングにおける金の標準であり、光胸腺造影法(PPG)と比較して診断の粒度と特異性に優れる。 しかし、既存の12リードECGシステムは、不安定なマルチ電極設定に依存しており、持続的な監視を制限しているが、現在のPGGベースの手法では、リード間の制約が欠如し、リード間の空間時間依存性のモデリングが不十分なため、マルチリードECGを再構築することができない。 このギャップを埋めるために、P2Esという、臨床的に有効な12個の心電図をPPG信号から3つの重要な革新を通して生成する革新的な人口動態対応拡散フレームワークを導入する。 具体的には、前処理において、実世界の信号歪みをシミュレートするために、周波数領域のぼかしと時間的ノイズ干渉を導入する。 逆のプロセスでは、時間的マルチスケール生成モジュールを設計し、その後周波数を劣化させる。 特に、KNNベースのクラスタリングと対照的な学習を組み合わせることで、逆プロセスに親和性行列を割り当て、人口統計学的特有なECG翻訳を可能にする。 12誘導心電図再建ではP2Esがベースラインモデルより優れていた。

関連論文リスト

• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• Reconstructing 12-Lead ECG from 3-Lead ECG using Variational Autoencoder to Improve Cardiac Disease Detection of Wearable ECG Devices [22.76333494370181]
  可変オートエンコーダ(VAE)方式であるWearECGを提案する。 我々のモデルには、ECG信号の時間的および空間的依存をよりよく捉えるためのアーキテクチャの改善が含まれている。 大規模プレトレーニングECGモデルであるECGFounderを,40以上の心条件を含む多ラベル分類タスクで微調整する。
  論文  参考訳（メタデータ） (2025-10-13T14:14:37Z)
• Masked Autoencoders that Feel the Heart: Unveiling Simplicity Bias for ECG Analyses [24.039917512972977]
  単純性バイアス(Simplicity Bias, SB)として知られる細粒度だが臨床的に重要な手がかりを見越して, 支配的かつ反復的なパターンに適合する傾向を示した。 本稿では,1)ECG信号の動的特性を反映した時間周波数特性を捉えるための時間周波数対応フィルタと,2)2つの領域をまたいだ粗い表現学習のための多言語プロトタイプ再構成と,さらにSBを緩和する手法を提案する。
  論文  参考訳（メタデータ） (2025-06-25T03:25:49Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• Multimodal Latent Fusion of ECG Leads for Early Assessment of Pulmonary Hypertension [30.124231086488976]
  リード特異的心電図マルチモーダル変分オートエンコーダ(textscLS-EMVAE)を提案する。 textscLS-EMVAEには階層的モダリティエキスパート(HiME)融合機構と遅延表現アライメント損失が組み込まれている。 6L-ECG設定で2つの振り返りコホートでtextscLS-EMVAEを検証する。
  論文  参考訳（メタデータ） (2025-03-03T16:16:38Z)
• ECGrecover: a Deep Learning Approach for Electrocardiogram Signal Completion [1.727597257312416]
  我々は、(i)ECGリード内の欠落した信号セグメントを再構築し、(ii)別のユニークなリードで信号からすべてのリードを回収する、という2つの主要なシナリオに焦点を当てる。 本稿では,新しい合成目的関数に基づくニューラルネットワークモデルであるECGrecoverを提案する。
  論文  参考訳（メタデータ） (2024-05-31T15:17:12Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat Counting and Demographic Data Integration [0.0]
  本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。 具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。 これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
  論文  参考訳（メタデータ） (2022-08-15T09:33:36Z)
• Performer: A Novel PPG to ECG Reconstruction Transformer For a Digital Biomarker of Cardiovascular Disease Detection [0.0]
  心臓血管疾患(CVD)は死因の上位1つとなり、これらの死亡の4分の3は低所得層で発生している。 心電図 (ECG) は, ユーザ参加の必要性から, 連続心臓モニタリングには有効ではない。 フォトプレチスモグラフィーは容易に収集できるが、精度の制限により臨床応用は制限される。
  論文  参考訳（メタデータ） (2022-04-25T17:10:13Z)
• 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)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。