論文の概要: LifWavNet: Lifting Wavelet-based Network for Non-contact ECG Reconstruction from Radar

• arxiv url: http://arxiv.org/abs/2510.27692v1
• Date: Fri, 31 Oct 2025 17:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.199309
• Title: LifWavNet: Lifting Wavelet-based Network for Non-contact ECG Reconstruction from Radar
• Title（参考訳）: LifWavNet:レーダからの非接触ECG再構成のためのウェーブレットベースネットワーク
• Authors: Soumitra Kundu, Gargi Panda, Saumik Bhattacharya, Aurobinda Routray, Rajlakshmi Guha,
• Abstract要約: レーダ・ツー・ECG再構成のための多分解能解析合成(MRAS)モデルに基づくリフトウェーブレットネットワークLifWavNetを提案する。 評価の結果,LifWavNetは心電図再構成や下流のバイタルサイン推定において最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 16.599277853699604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-contact electrocardiogram (ECG) reconstruction from radar signals offers a promising approach for unobtrusive cardiac monitoring. We present LifWavNet, a lifting wavelet network based on a multi-resolution analysis and synthesis (MRAS) model for radar-to-ECG reconstruction. Unlike prior models that use fixed wavelet approaches, LifWavNet employs learnable lifting wavelets with lifting and inverse lifting units to adaptively capture radar signal features and synthesize physiologically meaningful ECG waveforms. To improve reconstruction fidelity, we introduce a multi-resolution short-time Fourier transform (STFT) loss, that enforces consistency with the ground-truth ECG in both temporal and spectral domains. Evaluations on two public datasets demonstrate that LifWavNet outperforms state-of-the-art methods in ECG reconstruction and downstream vital sign estimation (heart rate and heart rate variability). Furthermore, intermediate feature visualization highlights the interpretability of multi-resolution decomposition and synthesis in radar-to-ECG reconstruction. These results establish LifWavNet as a robust framework for radar-based non-contact ECG measurement.
• Abstract（参考訳）: レーダ信号からの非接触心電図(ECG)再構成は、非閉塞性心監視に有望なアプローチを提供する。 レーダ・ツー・ECG再構成のための多分解能解析合成(MRAS)モデルに基づくリフトウェーブレットネットワークLifWavNetを提案する。 固定ウェーブレットアプローチを使用する以前のモデルとは異なり、LifWavNetはリフトと逆リフトユニットを備えた学習可能なリフトウェーブレットを使用してレーダー信号の特徴を適応的に捉え、生理学的に意味のあるECG波形を合成する。 再構成の忠実度を改善するため,時間領域とスペクトル領域の両方において,地上の心電図との整合性を実現する多分解能短時間フーリエ変換(STFT)を導入する。 2つの公開データセットの評価により、LifWavNetは心電図再構成や下流のバイタルサイン推定(心拍数と心拍変動)において最先端の手法より優れていることが示された。 さらに、中間的特徴可視化は、レーダ-ECG再構成における多分解能分解と合成の解釈可能性を強調している。 これらの結果は、レーダーベースの非接触ECG測定のための堅牢なフレームワークとしてLifWavNetを確立する。

関連論文リスト

• WaveMAE: Wavelet decomposition Masked Auto-Encoder for Remote Sensing [5.65492058135409]
  WaveMAEはマルチスペクトル衛星画像に適したマスク付き自動符号化フレームワークである。 評価の公平性を確保するため、全ての手法が同じデータセット上で事前訓練される(fMoW-S2)。 WaveMAEは従来の最先端アプローチよりも一貫した改善を実現している。
  論文  参考訳（メタデータ） (2025-10-26T14:45:30Z)
• From High-SNR Radar Signal to ECG: A Transfer Learning Model with Cardio-Focusing Algorithm for Scenarios with Limited Data [17.449664315970594]
  この研究は、限られたデータを持つ新しいシナリオにおけるレーダベースのECGリカバリに焦点を当てる。 転写学習モデル(RFcardi)を提案し,心電図の真偽を示さずにレーダ信号から心臓関連情報を抽出する。 RFcardiモデルは、少数のレーダーECGペアを使用してトレーニングを行い、忠実なECG回復を効果的に生成することができる。
  論文  参考訳（メタデータ） (2025-06-24T06:38:34Z)
• Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
  低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。 心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。 これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
  論文  参考訳（メタデータ） (2025-05-28T12:45:39Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
  ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。 我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
  論文  参考訳（メタデータ） (2024-09-19T06:14:30Z)
• radarODE: An ODE-Embedded Deep Learning Model for Contactless ECG Reconstruction from Millimeter-Wave Radar [16.52097542165782]
  レーダノードと呼ばれる新しいディープラーニングフレームワークは、レーダ信号から抽出された時間的および形態的特徴を融合させ、ECGを生成するように設計されている。 レーダノードは,検出率の欠落,ルート平均二乗誤差,ピアソン相関係数の9%,16%,19%で,ベンチマークよりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2024-08-03T06:07:15Z)
• TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction from Low-Dose Sinograms [45.24575167909925]
  TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。 最先端の手法を質的に、定量的に上回る。 GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
  論文  参考訳（メタデータ） (2023-08-10T06:20:00Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• ECG Signal Super-resolution by Considering Reconstruction and Cardiac Arrhythmias Classification Loss [0.0]
  圧縮ECG信号を復元するための深層学習型ECG信号スーパーレゾリューションフレームワーク(ESRNet)を提案する。 実験の結果,提案するESRNetフレームワークは10回圧縮されたECG信号を十分に再構成できることがわかった。
  論文  参考訳（メタデータ） (2020-12-07T15:43:50Z)

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。