Fugu-MT 論文翻訳(概要): One Dimensional CNN ECG Mamba for Multilabel Abnormality Classification in 12 Lead ECG

論文の概要: One Dimensional CNN ECG Mamba for Multilabel Abnormality Classification in 12 Lead ECG

arxiv url: http://arxiv.org/abs/2510.13046v1
Date: Tue, 14 Oct 2025 23:51:35 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-16 20:13:28.449437
Title: One Dimensional CNN ECG Mamba for Multilabel Abnormality Classification in 12 Lead ECG
Title（参考訳）: 12個のリード心電図の多重ラベル異常分類のための1次元CNN心電図マンバ
Authors: Huawei Jiang, Husna Mutahira, Gan Huang, Mannan Saeed Muhammad,
Abstract要約: 2020年と2021年の心臓科におけるPhysioNet Computingに関する総合的な実験を行った。提案したモデルでは, AUPRC と AUROC のスコアが, これまでに発表されたアルゴリズムよりもかなり高い結果を得た。
参考スコア（独自算出の注目度）: 2.44657606551177
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate detection of cardiac abnormalities from electrocardiogram recordings is regarded as essential for clinical diagnostics and decision support. Traditional deep learning models such as residual networks and transformer architectures have been applied successfully to this task, but their performance has been limited when long sequential signals are processed. Recently, state space models have been introduced as an efficient alternative. In this study, a hybrid framework named One Dimensional Convolutional Neural Network Electrocardiogram Mamba is introduced, in which convolutional feature extraction is combined with Mamba, a selective state space model designed for effective sequence modeling. The model is built upon Vision Mamba, a bidirectional variant through which the representation of temporal dependencies in electrocardiogram data is enhanced. Comprehensive experiments on the PhysioNet Computing in Cardiology Challenges of 2020 and 2021 were conducted, and superior performance compared with existing methods was achieved. Specifically, the proposed model achieved substantially higher AUPRC and AUROC scores than those reported by the best previously published algorithms on twelve lead electrocardiograms. These results demonstrate the potential of Mamba-based architectures to advance reliable ECG classification. This capability supports early diagnosis and personalized treatment, while enhancing accessibility in telemedicine and resource-constrained healthcare systems.
Abstract（参考訳）: 心電図記録からの心臓異常の正確な検出は臨床診断や意思決定支援に不可欠であると考えられる。残差ネットワークやトランスフォーマーアーキテクチャといった従来のディープラーニングモデルは、このタスクにうまく適用されてきたが、長いシーケンシャルな信号を処理する場合、その性能は制限されている。近年、効率的な代替手段として状態空間モデルが導入されている。本研究では,1次元畳み込みニューラルネットワーク心電図Mambaというハイブリッドフレームワークを導入し,畳み込み特徴抽出と,効率的なシーケンスモデリングのための選択状態空間モデルMambaを組み合わせた。このモデルは、心電図データにおける時間依存性の表現が強化される双方向変異であるVision Mambaに基づいて構築されている。 2020年と2021年の心臓科チャレンジにおける物理ネットコンピューティングに関する総合的な実験を行い、既存の手法と比較して優れた性能を実現した。具体的には,AUPRCとAUROCのスコアは,12個のリード心電図上の最も優れたアルゴリズムによって報告されたスコアよりも有意に高い結果を得た。これらの結果は、信頼性の高いECG分類を向上するためのMambaベースのアーキテクチャの可能性を示している。この能力は早期診断とパーソナライズド治療をサポートし、遠隔医療およびリソース制限された医療システムのアクセシビリティを高める。

関連論文リスト

Dual-Model Weight Selection and Self-Knowledge Distillation for Medical Image Classification [47.17249726328169]
自己知識蒸留(SKD)と二重モデル重み選択を統合した新しい医用画像分類法を提案する。提案手法は,コンパクトモデルにおいて重要な情報の保持に失敗する従来の手法の限界を克服する。
論文参考訳（メタデータ） (2025-08-28T06:15:06Z)
Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
論文参考訳（メタデータ） (2024-12-07T08:29:44Z)
MambaCapsule: Towards Transparent Cardiac Disease Diagnosis with Electrocardiography Using Mamba Capsule Network [16.562266471455672]
本稿では,ECG不整脈分類のためのディープニューラルネットワークであるMambaCapsuleを紹介する。 MambaCapsuleはテストセットでそれぞれ99.54%と99.59%の精度を達成した。
論文参考訳（メタデータ） (2024-07-30T15:12:29Z)
ECGMamba: Towards Efficient ECG Classification with BiSSM [3.0120310355085467]
本稿では,双方向状態空間モデル(BiSSM)を用いて分類効率を向上させる新しいモデルECGMambaを提案する。 2つの公開ECGデータセットの実験結果は、ECGMambaが効果的に分類の有効性と効率のバランスをとることを示した。
論文参考訳（メタデータ） (2024-06-14T14:55:53Z)
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)
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)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
Heart-Darts: Classification of Heartbeats Using Differentiable Architecture Search [22.225051965963114]
不整脈は不規則な心拍を示す心血管疾患です。不整脈検出では心電図(ECG)信号が重要な診断手法である。畳み込みニューラルネットワーク(cnns)の適用により,評価プロセスが高速化され,性能が向上した。
論文参考訳（メタデータ） (2021-05-03T08:57:48Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。