論文の概要: ECGXtract: Deep Learning-based ECG Feature Extraction for Automated CVD Diagnosis

• arxiv url: http://arxiv.org/abs/2511.02850v1
• Date: Mon, 27 Oct 2025 12:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.16515
• Title: ECGXtract: Deep Learning-based ECG Feature Extraction for Automated CVD Diagnosis
• Title（参考訳）: ECGXtract: CVD自動診断のためのディープラーニングによるECG特徴抽出
• Authors: Youssif Abuzied, Hassan AbdEltawab, Abdelrhman Gaber, Tamer ElBatt,
• Abstract要約: 本稿では,深層学習に基づくECG特徴抽出手法ECGXtractを提案する。 我々は, 時間的特徴と形態的特徴の両方を, 臨床的に検証された真実と強く相関して抽出できる畳み込みニューラルネットワークモデルを開発した。 以上の結果から,ECGXtractは平均相関スコアが0.80であり,世界的特徴の根本的真理であり,リードIIが常に最高の結果をもたらすことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents ECGXtract, a deep learning-based approach for interpretable ECG feature extraction, addressing the limitations of traditional signal processing and black-box machine learning methods. In particular, we develop convolutional neural network models capable of extracting both temporal and morphological features with strong correlations to a clinically validated ground truth. Initially, each model is trained to extract a single feature, ensuring precise and interpretable outputs. A series of experiments is then carried out to evaluate the proposed method across multiple setups, including global versus lead-specific features, different sampling frequencies, and comparisons with other approaches such as ECGdeli. Our findings show that ECGXtract achieves robust performance across most features with a mean correlation score of 0.80 with the ground truth for global features, with lead II consistently providing the best results. For lead-specific features, ECGXtract achieves a mean correlation score of 0.822. Moreover, ECGXtract achieves superior results to the state-of-the-art open source ECGdeli as it got a higher correlation score with the ground truth in 90% of the features. Furthermore, we explore the feasibility of extracting multiple features simultaneously utilizing a single model. Semantic grouping is proved to be effective for global features, while large-scale grouping and lead-specific multi-output models show notable performance drops. These results highlight the potential of structured grouping strategies to balance the computational efficiency vs. model accuracy, paving the way for more scalable and clinically interpretable ECG feature extraction systems in limited resource settings.
• Abstract（参考訳）: 本稿では,従来の信号処理およびブラックボックス機械学習手法の限界に対処する,ECG特徴抽出のための深層学習に基づくアプローチECGXtractを提案する。 特に, 時間的特徴と形態的特徴の両方を, 臨床的に検証された真実と強く相関して抽出できる畳み込みニューラルネットワークモデルを開発した。 当初、各モデルは単一の特徴を抽出し、正確で解釈可能な出力を保証するよう訓練される。 提案手法を,グローバルな特徴とリード特有の特徴,サンプリング頻度の相違,ECGdeliなどの他の手法との比較など,複数の設定で評価するために,一連の実験を行った。 以上の結果から,ECGXtractは平均相関スコアが0.80であり,世界的特徴の根本的真理であり,リードIIが常に最高の結果をもたらすことが示唆された。 鉛特有の特徴については,ECGXtractは平均相関スコア0.822を達成している。 さらに、ECGXtractは、最先端のオープンソースECGdeliよりも優れた結果が得られる。 さらに,一つのモデルを用いて複数の特徴を同時に抽出できる可能性についても検討する。 セマンティックグルーピングはグローバルな特徴に有効であることが証明され、大規模グルーピングとリード特化マルチアウトプットモデルは顕著な性能低下を示す。 これらの結果は、計算効率とモデル精度のバランスをとるための構造化グループ化戦略の可能性を強調し、限られたリソース設定でよりスケーラブルで臨床的に解釈可能なECG特徴抽出システムを実現する。

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)
• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。 トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。 短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
  本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。 以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-05T20:28:55Z)
• 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)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。