論文の概要: EcoScaleNet: A Lightweight Multi Kernel Network for Long Sequence 12 lead ECG Classification

• arxiv url: http://arxiv.org/abs/2510.24748v1
• Date: Thu, 16 Oct 2025 10:45:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 05:35:46.005533
• Title: EcoScaleNet: A Lightweight Multi Kernel Network for Long Sequence 12 lead ECG Classification
• Title（参考訳）: EcoScaleNet: ロングシーケンス12リードECG分類のための軽量マルチカーネルネットワーク
• Authors: Dong-Hyeon Kang, Ju-Hyeon Nam, Sang-Chul Lee,
• Abstract要約: EcoScale-Net(EcoScale-Net)は, 冗長性を排除しつつ, 完全受容野の網羅性を維持する階層型である。 大規模なCODE 15%ECGデータセットでは、EcoScaleNetがパラメータを90%、FLOPを99%削減し、マクロ平均F1スコアを2.4%引き上げている。
• 参考スコア（独自算出の注目度）: 4.266229158899355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate interpretation of 12 lead electrocardiograms (ECGs) is critical for early detection of cardiac abnormalities, yet manual reading is error prone and existing CNN based classifiers struggle to choose receptive field sizes that generalize to the long sequences typical of ECGs. Omni Scale CNN (OS CNN) addresses this by enumerating prime sized kernels inspired by Goldbach conjecture to cover every scale, but its exhaustive design explodes computational cost and blocks deeper, wider models. We present Efficient Convolutional Omni Scale Network (EcoScale-Net), a hierarchical variant that retains full receptive field coverage while eliminating redundancy. At each stage, the maximum kernel length is capped to the scale still required after down sampling, and bottleneck convolutions inserted before and after every Omni Scale block curtail channel growth and fuse multi scale features. On the large scale CODE 15% ECG dataset, EcoScaleNet reduces parameters by 90% and FLOPs by 99% compared with OS CNN, while raising macro averaged F1 score by 2.4%. These results demonstrate that EcoScaleNet delivers SOTA accuracy for long sequence ECG classification at a fraction of the computational cost, enabling real time deployment on commodity hardware. Our EcoScaleNet code is available in GitHub Link.
• Abstract（参考訳）: 12個の心電図(ECGs)の正確な解釈は心疾患の早期発見には重要であるが、手動読影はエラーを起こしやすく、既存のCNNベースの分類器は心電図の典型的な長い配列に一般化する受容野のサイズを選択するのに苦労している。 Omni Scale CNN (OS CNN) は、すべてのスケールをカバーするためにゴールドバッハ予想に触発された素サイズのカーネルを列挙することでこの問題に対処するが、その徹底した設計は計算コストを爆発させ、より深くより広いモデルをブロックする。 共進化型Omni Scale Network(EcoScale-Net)を提案する。 各ステージにおいて、最大カーネル長は、ダウンサンプリング後に必要となるスケールに制限され、Omni Scaleブロックカクテルチャネルの成長とヒューズマルチスケールの特徴の前後に挿入されるボトルネック畳み込みである。 大規模なCODE 15%ECGデータセットでは、EcoScaleNetがパラメータを90%、FLOPを99%削減し、マクロ平均F1スコアを2.4%引き上げている。 これらの結果から,EcoScaleNetは長期連続ECG分類のためのSOTA精度を計算コストのごく一部で提供し,コモディティハードウェア上でのリアルタイム展開を可能にした。 EcoScaleNetコードはGitHub Linkで利用可能です。

関連論文リスト

• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Optimizing Neural Network Scale for ECG Classification [1.8953148404648703]
  心電図(ECG)解析のための残留ニューラルネットワーク(ResNet)を対象とするスケーリング畳み込みニューラルネットワーク(CNN)について検討する。 本研究では,層深さ,チャネル数,コンボリューションカーネルサイズといった重要なパラメータの影響を調べることで,ResNetのスケールアップに有効な手法を探索し,実証した。 我々の発見は、計算資源が少ないか、少ない時間でより効率的で正確なモデルを得るための洞察を与えてくれる。
  論文  参考訳（メタデータ） (2023-08-24T01:26:31Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• DilatedSegNet: A Deep Dilated Segmentation Network for Polyp Segmentation [2.6179759969345002]
  大腸癌は世界で2番目に多い死因である。 ディープラーニングを利用したコンピュータ支援診断システム(CAD)は、大腸内視鏡検査中に医師が見落としている大腸の領域を検出することができる。 高い精度とリアルタイム速度の欠如は、そのようなシステムの臨床的統合を成功させるために克服すべき重要な障害である。
  論文  参考訳（メタデータ） (2022-10-24T20:36:30Z)
• SCGC : Self-Supervised Contrastive Graph Clustering [1.1470070927586016]
  グラフクラスタリングはネットワーク内のグループやコミュニティを検出する。 オートエンコーダのような深層学習手法は、豊富な構造情報を組み込むことはできない。 自己監督型コントラストグラフクラスタリング(SCGC)を提案する。
  論文  参考訳（メタデータ） (2022-04-27T01:38:46Z)
• 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 Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
  本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。 グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
  論文  参考訳（メタデータ） (2021-02-12T21:52:43Z)
• SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
  ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。 我々は,マルチリード信号を2次元行列として扱うことを提案する。 提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
  論文  参考訳（メタデータ） (2020-12-10T08:37:44Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• ECG Classification with a Convolutional Recurrent Neural Network [0.13903116275861838]
  我々は、Pink Irish Hatチームとして、PhyloNet/Computer in Cardiology 2020の課題に対して、12リードのECG信号を分類する畳み込みリカレントネットワークを開発した。 モデルは畳み込み層と繰り返し層を結合し、ECG信号のスライディングウィンドウを入力とし、各クラスの確率を出力とする。 我々のネットワークは、隠れ検証セットで0.511点、全隠れテストセットで0.167点を達成し、公式ランキングで41点中23位にランクインした。
  論文  参考訳（メタデータ） (2020-09-28T13:41:59Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。