論文の概要: A Dataset and Benchmarks for Atrial Fibrillation Detection from Electrocardiograms of Intensive Care Unit Patients

• arxiv url: http://arxiv.org/abs/2512.18031v1
• Date: Fri, 19 Dec 2025 19:51:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.159261
• Title: A Dataset and Benchmarks for Atrial Fibrillation Detection from Electrocardiograms of Intensive Care Unit Patients
• Title（参考訳）: 集中治療室患者の心電図からの心房細動検出のためのデータセットとベンチマーク
• Authors: Sarah Nassar, Nooshin Maghsoodi, Sophia Mannina, Shamel Addas, Stephanie Sibley, Gabor Fichtinger, David Pichora, David Maslove, Purang Abolmaesumi, Parvin Mousavi,
• Abstract要約: 心房細動はICU患者が経験する心不整脈の中で最も多い。 本研究では,AF検出のためのラベル付きICUデータセットとベンチマークを公表する。
• 参考スコア（独自算出の注目度）: 2.5116284353797895
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective: Atrial fibrillation (AF) is the most common cardiac arrhythmia experienced by intensive care unit (ICU) patients and can cause adverse health effects. In this study, we publish a labelled ICU dataset and benchmarks for AF detection. Methods: We compared machine learning models across three data-driven artificial intelligence (AI) approaches: feature-based classifiers, deep learning (DL), and ECG foundation models (FMs). This comparison addresses a critical gap in the literature and aims to pinpoint which AI approach is best for accurate AF detection. Electrocardiograms (ECGs) from a Canadian ICU and the 2021 PhysioNet/Computing in Cardiology Challenge were used to conduct the experiments. Multiple training configurations were tested, ranging from zero-shot inference to transfer learning. Results: On average and across both datasets, ECG FMs performed best, followed by DL, then feature-based classifiers. The model that achieved the top F1 score on our ICU test set was ECG-FM through a transfer learning strategy (F1=0.89). Conclusion: This study demonstrates promising potential for using AI to build an automatic patient monitoring system. Significance: By publishing our labelled ICU dataset (LinkToBeAdded) and performance benchmarks, this work enables the research community to continue advancing the state-of-the-art in AF detection in the ICU.
• Abstract（参考訳）: 目的:心房細動(AF)は集中治療室(ICU)患者が経験する心不整脈の中で最も多く、健康に悪影響を及ぼす可能性がある。 本研究では,AF検出のためのラベル付きICUデータセットとベンチマークを公表する。 方法: 特徴ベースの分類器,ディープラーニング(DL),ECG基盤モデル(FM)という,データ駆動型人工知能(AI)の3つのアプローチで機械学習モデルを比較した。 この比較は文献における重要なギャップに対処し、正確なAF検出に最適なAIアプローチを特定することを目的としている。 カナダICUの心電図(ECG)と2021年のPhysioNet/Computing in Cardiology Challengeが実験に使用された。 ゼロショット推論からトランスファーラーニングまで、複数のトレーニング構成がテストされた。 結果: 平均および両データセットで、ECG FMが最高に、DLが続いて機能ベースの分類器が続いた。 ICUテストセットのトップF1スコアを達成したモデルは、転送学習戦略(F1=0.89)によるECG-FMであった。 結論: この研究は、AIを使用して自動患者監視システムを構築する有望な可能性を実証している。 意義: ラベル付きICUデータセット(LinkToBeAdded)とパフォーマンスベンチマークを公開することで、研究コミュニティはICUにおけるAF検出の最先端化を継続することが可能になります。

関連論文リスト

• An Electrocardiogram Multi-task Benchmark with Comprehensive Evaluations and Insightful Findings [21.836042030973797]
  ECGの分析は通常、医療に人工知能を適用するための障害となる、ドメインの専門知識を必要とする。 時系列深層学習モデルと比較し,言語/一般時系列/ECG基盤モデルの評価を行った。 詳細な分析と洞察と総合的な実験結果が提供される。
  論文  参考訳（メタデータ） (2025-11-28T06:47:21Z)
• Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches [35.899401205042615]
  本稿では、バイナリ分類問題を解決するために、データの早期融合を伴う畳み込みニューラルネットワークを提案する。 提案手法は,最先端技術と比較してメモリフットプリントと計算コストを3桁削減する。
  論文  参考訳（メタデータ） (2025-10-21T14:23:20Z)
• Cardiac-CLIP: A Vision-Language Foundation Model for 3D Cardiac CT Images [29.39287623923477]
  心臓CT画像のための多モード基礎モデルであるCardiac-CLIPを提案する。 CLIPは2段階の事前学習戦略によって開発されている。 CLIPは、心臓血管異常分類、情報検索、臨床分析など、複数のタスクで評価される。
  論文  参考訳（メタデータ） (2025-07-29T17:20:32Z)
• 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)
• 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)
• 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)
• HeartBEiT: Vision Transformer for Electrocardiogram Data Improves Diagnostic Performance at Low Sample Sizes [28.88454028731653]
  心電図波形解析のための第1の視覚ベーストランスモデルHeartBEiTを開発した。 その結果,HeartBEiTは,他のモデルに比べて試料サイズが小さく,高い性能を示した。 また、HeartBEiTは、EKGと標準CNNの生物学的関連領域を強調することにより、診断の説明可能性を向上させることを示した。
  論文  参考訳（メタデータ） (2022-12-13T16:39:21Z)
• Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
  本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。 第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。 第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
  論文  参考訳（メタデータ） (2022-10-19T12:29:05Z)
• Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
  コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。 我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。 提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
  論文  参考訳（メタデータ） (2022-04-07T22:49:18Z)
• Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks [24.226952040270564]
  本稿では,ECG分類のための1D Self-organized Operational Neural Networks (1D Self-ONNs)を提案する。 1D Self-ONNは、演算子セットライブラリ内の前の演算子探索が完全に回避される従来のONNに比べて、最大の優位性と優位性を持つ。 MIT-BIH不整脈ベンチマークデータベースを用いた結果, 1D Self-ONN が 1D CNN をはるかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-09-30T19:37:36Z)

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。