Fugu-MT 論文翻訳(概要): Exploring Complexity Changes in Diseased ECG Signals for Enhanced Classification

論文の概要: Exploring Complexity Changes in Diseased ECG Signals for Enhanced Classification

arxiv url: http://arxiv.org/abs/2510.17810v1
Date: Wed, 24 Sep 2025 11:02:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-26 16:57:26.48203
Title: Exploring Complexity Changes in Diseased ECG Signals for Enhanced Classification
Title（参考訳）: 拡張分類のための病的心電図信号の複雑度変化の探索
Authors: Camilo Quiceno Quintero, Sandip Varkey George,
Abstract要約: 心電図(ECG)で捉えた心臓の複雑な運動は電気活動に反映される本研究では,心電図の複雑度が心疾患とどのように異なるかを理解するために非線形時系列解析を用いる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The complex dynamics of the heart are reflected in its electrical activity, captured through electrocardiograms (ECGs). In this study we use nonlinear time series analysis to understand how ECG complexity varies with cardiac pathology. Using the large PTB-XL dataset, we extracted nonlinear measures from lead II ECGs, and cross-channel metrics (leads II, V2, AVL) using Spearman correlations and mutual information. Significant differences between diseased and healthy individuals were found in almost all measures between healthy and diseased classes, and between 5 diagnostic superclasses ($p<.001$). Moreover, incorporating these complexity quantifiers into machine learning models substantially improved classification accuracy measured using area under the ROC curve (AUC) from 0.86 (baseline) to 0.87 (nonlinear measures) and 0.90 (including cross-time series metrics).
Abstract（参考訳）: 心臓の複雑なダイナミクスはその電気活動に反映され、心電図(ECG)によって捉えられる。本研究では,心電図の複雑度が心疾患とどのように異なるかを理解するために非線形時系列解析を用いる。大規模PTB-XLデータセットを用いて,リードII心電図から非線形測定値(リードII,V2,AVL)をスピアマン相関と相互情報を用いて抽出した。健康なクラスと病気のクラスと5つの診断スーパークラス(p<.001$)のほぼ全ての尺度で有意差が認められた。さらに、これらの複雑性定量化器を機械学習モデルに組み込むことで、ROC曲線(AUC)の面積を0.86(ベースライン)から0.87(非線形測度)と0.90(クロスタイム時系列測度を含む)に大きく改善した。

関連論文リスト

FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2025-09-10T19:48:07Z)
LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文参考訳（メタデータ） (2025-08-23T07:21:23Z)
Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
論文参考訳（メタデータ） (2025-06-24T17:19:39Z)
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)
Manifold Learning for Personalized and Label-Free Detection of Cardiac Arrhythmias [0.9208007322096533]
我々は, 非線形次元減少 (NLDR) は心電図信号の医学的特徴に適応できることを示した。 MIT-BIHデータセットのMLIIおよびV1リードを用いて、NLDRが心臓モニタリングに大いに期待できることを実証した。
論文参考訳（メタデータ） (2025-06-19T17:39:57Z)
Cross-Learning Between ECG and PCG: Exploring Common and Exclusive Characteristics of Bimodal Electromechanical Cardiac Waveforms [6.81602773853736]
本稿では,ECGとPCGの共通性と排他的特性について検討する。線形および非線形機械学習モデルを用いて、各モダリティを他方から再構成する。臨床的に関連がある心電図のバイオマーカー、例えば、動注点やQT間隔は、PCGのクロスオブジェクト設定から推定できる。
論文参考訳（メタデータ） (2025-06-11T22:16:59Z)
AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
心電図(ECG)は急性心臓発作の検出に非常に敏感である。本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
論文参考訳（メタデータ） (2024-11-17T17:32:58Z)
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)
Non-linear Analysis Based ECG Classification of Cardiovascular Disorders [2.474908349649168]
マルチチャネル心電図に基づく心疾患の検出は、心臓ケアと治療に影響を及ぼす。本研究では,Recurrenceプロットの可視化を利用した非線形解析手法について報告する。 QRS複合体のようなよく定義された構造のパターン化は、再帰プロットを用いて効果的に利用することができる。
論文参考訳（メタデータ） (2024-08-02T19:03:53Z)
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)

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。