論文の概要: Synthetic Electrogram Generation with Variational Autoencoders for ECGI

• arxiv url: http://arxiv.org/abs/2512.14537v1
• Date: Tue, 16 Dec 2025 16:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.779347
• Title: Synthetic Electrogram Generation with Variational Autoencoders for ECGI
• Title（参考訳）: ECGI用変分オートエンコーダを用いた合成エレクトログラム生成
• Authors: Miriam Gutiérrez Fernández, Karen López-Linares, Carlos Fambuena Santos, María S. Guillem, Andreu M. Climent, Óscar Barquero Pérez,
• Abstract要約: 合成多チャンネル心房筋電図生成のための可変オートエンコーダ(VAE)を提案する。 正弦リズム固有のVAE(VAE-S)と、正弦リズムとAF信号の両方で訓練されたクラス条件のVAE(VAE-C)の2つのモデルが提案されている。 VAE-SはサイリコEGMに対して高い忠実度を達成する一方、VAE-Cは洞再建品質の低下を犠牲にしてリズム特異的な生成を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atrial fibrillation (AF) is the most prevalent sustained cardiac arrhythmia, and its clinical assessment requires accurate characterization of atrial electrical activity. Noninvasive electrocardiographic imaging (ECGI) combined with deep learning (DL) approaches for estimating intracardiac electrograms (EGMs) from body surface potentials (BSPMs) has shown promise, but progress is hindered by the limited availability of paired BSPM-EGM datasets. To address this limitation, we investigate variational autoencoders (VAEs) for the generation of synthetic multichannel atrial EGMs. Two models are proposed: a sinus rhythm-specific VAE (VAE-S) and a class-conditioned VAE (VAE-C) trained on both sinus rhythm and AF signals. Generated EGMs are evaluated using morphological, spectral, and distributional similarity metrics. VAE-S achieves higher fidelity with respect to in silico EGMs, while VAE-C enables rhythm-specific generation at the expense of reduced sinus reconstruction quality. As a proof of concept, the generated EGMs are used for data augmentation in a downstream noninvasive EGM reconstruction task, where moderate augmentation improves estimation performance. These results demonstrate the potential of VAE-based generative modeling to alleviate data scarcity and enhance deep learning-based ECGI pipelines.
• Abstract（参考訳）: 心房細動 (AF) は心房不整脈で最も多く持続する心不整脈であり, その臨床的評価には心房電気活動の正確な評価が必要である。 非侵襲的心電画像(ECGI)と深部学習(DL)法を併用して心電図(EGM)を体表面電位(BSPM)から推定することは有望である。 この制限に対処するため, 合成多チャンネル心房筋電図生成のための変分オートエンコーダ(VAE)について検討した。 正弦リズム固有のVAE(VAE-S)と、正弦リズムとAF信号の両方で訓練されたクラス条件のVAE(VAE-C)の2つのモデルが提案されている。 生成したEGMは、形態学的、スペクトル的、分布的類似度メトリクスを用いて評価される。 VAE-SはサイリコEGMに対して高い忠実度を達成する一方、VAE-Cは洞再建品質の低下を犠牲にしてリズム特異的な生成を可能にする。 概念実証として, 生成したEMGを下流非侵襲EMG再構成タスクにおけるデータ拡張に利用し, 適度な拡張により推定性能が向上する。 これらの結果は、データ不足を緩和し、深層学習に基づくECGIパイプラインを強化するために、VAEベースの生成モデルの可能性を示している。

関連論文リスト

• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• High-Fidelity Synthetic ECG Generation via Mel-Spectrogram Informed Diffusion Training [3.864395218585964]
  リアル患者心電図(ECG)データの共有に関するプライバシー制限により、心臓ケアのための機械学習の開発が妨げられる。 本研究は、現在の生成ECG法における2つの大きな欠点に対処する。 条件付き拡散に基づく構造化状態空間モデル (Structured State Space Model, SSSD-ECG) を2つの原則により構築する。
  論文  参考訳（メタデータ） (2025-10-07T01:14:53Z)
• Improving Myocardial Infarction Detection via Synthetic ECG Pretraining [0.0]
  心筋梗塞は世界中で大きな死因であり,心電図(ECG)からの正確な早期診断が臨床上の優先事項である。 ディープラーニングモデルはECGの自動解釈を約束しているが、大量のラベル付きデータを必要とする。 本研究では,12個の心電図を調整可能なMI形態と現実的な雑音で合成する生理的認識パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-29T14:29:55Z)
• 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)
• 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)
• Bayesian ECG reconstruction using denoising diffusion generative models [11.603515105957461]
  健常心電図(ECG)データを用いて訓練したDDGM(denoising diffusion generative model)を提案する。 以上の結果から, この革新的な生成モデルにより, 現実的なECG信号を生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-12-18T15:56:21Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• 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)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。