論文の概要: An Attention-Augmented VAE-BiLSTM Framework for Anomaly Detection in 12-Lead ECG Signals

• arxiv url: http://arxiv.org/abs/2510.05919v1
• Date: Tue, 07 Oct 2025 13:30:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.268826
• Title: An Attention-Augmented VAE-BiLSTM Framework for Anomaly Detection in 12-Lead ECG Signals
• Title（参考訳）: 12レベル心電図信号における異常検出のための注意増強型VAE-BiLSTMフレームワーク
• Authors: Marc Garreta Basora, Mehmet Oguz Mulayim,
• Abstract要約: 12誘導心電図(ECGs)の異常検出は心血管疾患に伴う偏差の同定に重要である。 本稿では,VAE-BiLSTM-MHAアーキテクチャの心電図異常検出への応用について報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Anomaly detection in 12-lead electrocardiograms (ECGs) is critical for identifying deviations associated with cardiovascular disease. This work presents a comparative analysis of three autoencoder-based architectures: convolutional autoencoder (CAE), variational autoencoder with bidirectional long short-term memory (VAE-BiLSTM), and VAE-BiLSTM with multi-head attention (VAE-BiLSTM-MHA), for unsupervised anomaly detection in ECGs. To the best of our knowledge, this study reports the first application of a VAE-BiLSTM-MHA architecture to ECG anomaly detection. All models are trained on normal ECG samples to reconstruct non-anomalous cardiac morphology and detect deviations indicative of disease. Using a unified preprocessing and evaluation pipeline on the public China Physiological Signal Challenge (CPSC) dataset, the attention-augmented VAE achieves the best performance, with an AUPRC of 0.81 and a recall of 0.85 on the held-out test set, outperforming the other architectures. To support clinical triage, this model is further integrated into an interactive dashboard that visualizes anomaly localization. In addition, a performance comparison with baseline models from the literature is provided.
• Abstract（参考訳）: 12誘導心電図(ECGs)の異常検出は心血管疾患に伴う偏差の同定に重要である。 本研究は,CAE(Convolutional autoencoder),VAE-BiLSTM(VAE-BiLSTM),VAE-BiLSTM(VAE-BiLSTM-MHA)の3つの自動エンコーダアーキテクチャの比較分析を行った。 本稿では,VAE-BiLSTM-MHAアーキテクチャの心電図異常検出への応用について報告する。 全てのモデルは、正常な心電図で訓練され、非アノマラス型心臓形態を再構築し、疾患の徴候を検出する。 パブリックな中国生理信号チャレンジ(CPSC)データセット上の統一された前処理と評価パイプラインを使用して、注意増強されたVAEは、AUPRCが0.81、ホールドアウトテストセットが0.85で最高のパフォーマンスを達成し、他のアーキテクチャを上回っている。 臨床トリアージをサポートするために、このモデルは、異常なローカライゼーションを可視化するインタラクティブダッシュボードにさらに統合される。 また、文献のベースラインモデルとの性能比較を行う。

関連論文リスト

• TolerantECG: A Foundation Model for Imperfect Electrocardiogram [11.059673773528191]
  TolerantECGは、ノイズに対して堅牢で、標準の12リードECGの任意のサブセットで機能するECG信号の基礎モデルである。 TolerantECGトレーニングは、コントラストと自己教師付き学習フレームワークを組み合わせて、ECG信号表現を共同で学習する。 ベンチマークの結果、TolerantECGは、様々なECG信号条件において、最高または第2位のパフォーマーとして一貫してランク付けされている。
  論文  参考訳（メタデータ） (2025-07-14T03:48:35Z)
• Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
  広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。 我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。 CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-23T20:58:12Z)
• xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM [14.02717596836022]
  本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。 我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
  論文  参考訳（メタデータ） (2025-04-14T16:12:46Z)
• Arrhythmia Classification from 12-Lead ECG Signals Using Convolutional and Transformer-Based Deep Learning Models [0.0]
  ルーマニアでは、心臓血管疾患が死因の主要な原因であり、毎年の死者の3分の1近くを占める。 本稿では, 資源制約型医療環境における不整脈診断の効率化, 軽量化, 迅速化を図ることを目的とする。
  論文  参考訳（メタデータ） (2025-02-25T06:17:52Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• 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)
• 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)
• Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
  心電図(ECG)信号から心疾患を視覚的に検出することは困難である。 自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
  論文  参考訳（メタデータ） (2020-11-12T04:20:56Z)
• 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。