論文の概要: S4ECG: Exploring the impact of long-range interactions for arrhythmia prediction

• arxiv url: http://arxiv.org/abs/2510.17406v1
• Date: Mon, 20 Oct 2025 10:48:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.417297
• Title: S4ECG: Exploring the impact of long-range interactions for arrhythmia prediction
• Title（参考訳）: S4ECG:不整脈予測のための長距離相互作用の影響を探る
• Authors: Tiezhi Wang, Wilhelm Haverkamp, Nils Strodthoff,
• Abstract要約: マルチエポックな不整脈分類のための構造化状態空間モデルを利用した新しいディープラーニングアーキテクチャであるS4ECGを紹介する。 共同マルチエポック予測は,マクロAUROCでは1.0-11.6%,単一エポックアプローチでは有意に優れていた。 この研究は、時間的に認識される不整脈検出アルゴリズムへのパラダイムシフトに寄与し、ECG解釈の新しい可能性を開く。
• 参考スコア（独自算出の注目度）: 1.6873748786804317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The electrocardiogram (ECG) exemplifies biosignal-based time series with continuous, temporally ordered structure reflecting cardiac physiological and pathophysiological dynamics. Detailed analysis of these dynamics has proven challenging, as conventional methods capture either global trends or local waveform features but rarely their simultaneous interplay at high temporal resolution. To bridge global and local signal analysis, we introduce S4ECG, a novel deep learning architecture leveraging structured state space models for multi-epoch arrhythmia classification. Our joint multi-epoch predictions significantly outperform single-epoch approaches by 1.0-11.6% in macro-AUROC, with atrial fibrillation specificity improving from 0.718-0.979 to 0.967-0.998, demonstrating superior performance in-distribution and enhanced out-of-distribution robustness. Systematic investigation reveals optimal temporal dependency windows spanning 10-20 minutes for peak performance. This work contributes to a paradigm shift toward temporally-aware arrhythmia detection algorithms, opening new possibilities for ECG interpretation, in particular for complex arrhythmias like atrial fibrillation and atrial flutter.
• Abstract（参考訳）: 心電図(ECG)は、心臓生理学および病態生理学を反映する連続的、時間的に秩序づけられた構造を持つ生体信号に基づく時系列を例示する。 これらのダイナミクスの詳細な分析は、従来の手法が大域的トレンドや局所的な波形の特徴を捉えるが、高時間分解能での同時相互作用はめったにないため、難しいことが証明されている。 グローバルかつ局所的な信号解析を橋渡しするために,マルチエポックな不整脈分類のための構造化状態空間モデルを利用した新しいディープラーニングアーキテクチャであるS4ECGを導入する。 心房細動の特異性は0.718-0.979から0.967-0.998に改善し, 分布特性が向上し, 分布強度が向上した。 最適時間依存性ウィンドウは10～20分でピーク性能を示す。 本研究は、心房細動や心房粗動などの複雑な不整脈に対して、心電図解釈の新しい可能性を開く、時間的に認識された不整脈検出アルゴリズムへのパラダイムシフトに寄与する。

関連論文リスト

• Learning ECG Representations via Poly-Window Contrastive Learning [5.200583783760777]
  本稿では,ECG分析のための多ウィンドウコントラスト学習フレームワークを提案する。 遅い特徴分析の原理に触発されて、我々のアプローチは時間的不変性と生理学的に有意な特徴を学習するようモデルに強く促す。 この結果から,マルチラベル・スーパークラス分類において,マルチウィンドウのコントラスト学習が従来の2ビュー手法より一貫して優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-08-21T04:26:51Z)
• Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
  本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。 心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。 提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
  論文  参考訳（メタデータ） (2025-07-24T09:40:24Z)
• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
  本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。 提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
  論文  参考訳（メタデータ） (2024-10-09T11:17:02Z)
• 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)
• Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios [39.3721526159124]
  本研究では,皮質振動と筋振動の関係をモデル化するために,密度比の正則分解に基づく統計的依存推定器の新たな応用を提案する。 本研究では,皮質筋接続から学習した固有関数が,運動と被験者を正確に分類できることを実験的に実証した。
  論文  参考訳（メタデータ） (2024-10-04T16:05:08Z)
• Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
  コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。 我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。 提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
  論文  参考訳（メタデータ） (2022-04-07T22:49:18Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。