論文の概要: Tracing the Heart's Pathways: ECG Representation Learning from a Cardiac Conduction Perspective

• arxiv url: http://arxiv.org/abs/2512.24002v1
• Date: Tue, 30 Dec 2025 05:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.293923
• Title: Tracing the Heart's Pathways: ECG Representation Learning from a Cardiac Conduction Perspective
• Title（参考訳）: 心伝導からみた心電図表現の追跡
• Authors: Tan Pan, Yixuan Sun, Chen Jiang, Qiong Gao, Rui Sun, Xingmeng Zhang, Zhenqi Yang, Limei Han, Yixiu Liang, Yuan Cheng, Kaiyu Guo,
• Abstract要約: 心電図自己教師学習(eSSL)の最近の進歩は、表現学習の強化の見通しを明るくしている。 本稿では,リード間の心伝導の微妙な変化を捉えるための2段階フレームワークであるCLEAR-HUGを提案する。 6つのタスクの実験的結果は6.84%改善され、CLEAR-HUGの有効性が検証された。
• 参考スコア（独自算出の注目度）: 23.944422144809234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The multi-lead electrocardiogram (ECG) stands as a cornerstone of cardiac diagnosis. Recent strides in electrocardiogram self-supervised learning (eSSL) have brightened prospects for enhancing representation learning without relying on high-quality annotations. Yet earlier eSSL methods suffer a key limitation: they focus on consistent patterns across leads and beats, overlooking the inherent differences in heartbeats rooted in cardiac conduction processes, while subtle but significant variations carry unique physiological signatures. Moreover, representation learning for ECG analysis should align with ECG diagnostic guidelines, which progress from individual heartbeats to single leads and ultimately to lead combinations. This sequential logic, however, is often neglected when applying pre-trained models to downstream tasks. To address these gaps, we propose CLEAR-HUG, a two-stage framework designed to capture subtle variations in cardiac conduction across leads while adhering to ECG diagnostic guidelines. In the first stage, we introduce an eSSL model termed Conduction-LEAd Reconstructor (CLEAR), which captures both specific variations and general commonalities across heartbeats. Treating each heartbeat as a distinct entity, CLEAR employs a simple yet effective sparse attention mechanism to reconstruct signals without interference from other heartbeats. In the second stage, we implement a Hierarchical lead-Unified Group head (HUG) for disease diagnosis, mirroring clinical workflow. Experimental results across six tasks show a 6.84% improvement, validating the effectiveness of CLEAR-HUG. This highlights its ability to enhance representations of cardiac conduction and align patterns with expert diagnostic guidelines.
• Abstract（参考訳）: 心電図(ECG)は心臓診断の基礎となる。 心電図自己教師型学習(eSSL)の最近の進歩は、高品質なアノテーションに頼ることなく、表現学習を強化する可能性を高めている。 しかし、初期のeSSL法は、リードとビートにまたがる一貫したパターンに焦点を合わせ、心臓伝導過程に根ざした心臓の鼓動の固有の相違を見渡す一方で、微妙だが重要な変化はユニークな生理的特徴を持っている。 さらに、心電図解析のための表現学習は、心電図診断ガイドラインと一致し、個々の心拍から単一のリードへと進み、最終的にはリードの組み合わせへと進む。 しかし、このシーケンシャルロジックは、ダウンストリームタスクに事前訓練されたモデルを適用する際に無視されることが多い。 これらのギャップに対処するため,心電図診断ガイドラインに固執しながら,リード間の心伝導の微妙な変化を捉えるための2段階のフレームワークであるCLEAR-HUGを提案する。 最初の段階では、心の鼓動の特定のバリエーションと一般的な共通点の両方をキャプチャする、Conduction-LEAd Reconstructor (CLEAR)と呼ばれるeSSLモデルを導入する。 各心拍を別個の実体として扱うと、CLEARは他の心拍からの干渉を伴わずに信号を再構成するために、シンプルだが効果的なスパースアテンション機構を用いる。 第2段階では,HUG(Hierarchical Lead-Unified Group Head)を用いて臨床ワークフローのミラーリングを行う。 6つのタスクの実験的結果は6.84%改善され、CLEAR-HUGの有効性が検証された。 このことは、心臓伝導の表現を強化し、専門家の診断ガイドラインにパターンを合わせる能力を強調している。

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)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• 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)
• UltraSeP: Sequence-aware Pre-training for Echocardiography Probe Movement Guidance [70.94473797093293]
  本稿では,高品質な標準平面画像取得のためのプローブポーズ調整によるロボットシステムや初心者の誘導に応用可能な,新しいプローブ移動誘導アルゴリズムを提案する。 本研究では, マスクアウト画像の特徴とプローブ動作をスキャンシーケンスで予測することにより, パーソナライズされた3次元心構造の特徴を学習する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• NERULA: A Dual-Pathway Self-Supervised Learning Framework for Electrocardiogram Signal Analysis [5.8961928852930034]
  本稿では,シングルリードECG信号を対象とした自己教師型フレームワークNERULAを提案する。 NERULAのデュアルパスウェイアーキテクチャは、心電図再構成と非コントラスト学習を組み合わせて、詳細な心臓の特徴を抽出する。 学習スペクトルに生成経路と識別経路を組み合わせることで、様々なタスクにおいて最先端の自己教師付き学習ベンチマークより優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-21T14:01:57Z)
• ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method for ECG signal [19.885905393439014]
  本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。 この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。 提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2023-10-01T23:17:55Z)
• Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly Detection [33.48389041651675]
  心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。 希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。 本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
  論文  参考訳（メタデータ） (2023-08-03T09:16:57Z)
• Classification of Arrhythmia by Using Deep Learning with 2-D ECG Spectral Image Representation [3.3426603061273994]
  本稿では,ECG信号を8つのクラスに分類するための2次元(2次元)畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は,最新の平均分類精度99.11%を達成し,同種の不整脈の分類において,最近報告した結果より優れている。
  論文  参考訳（メタデータ） (2020-05-14T12:11:41Z)

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。