論文の概要: Hear the Heartbeat in Phases: Physiologically Grounded Phase-Aware ECG Biometrics

• arxiv url: http://arxiv.org/abs/2601.00170v1
• Date: Thu, 01 Jan 2026 02:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.292535
• Title: Hear the Heartbeat in Phases: Physiologically Grounded Phase-Aware ECG Biometrics
• Title（参考訳）: 相における心拍の聴覚:生理的基盤を用いた心電図生体計測
• Authors: Jintao Huang, Lu Leng, Yi Zhang, Ziyuan Yang,
• Abstract要約: 本稿では, 階層型位相認識融合(HPAF)フレームワークを提案する。 第1段階では、IPR(Intra-Phase Representation)は、各心相の表現を独立して抽出し、相特異的な形態学的および変動的手がかりを確実に保存する。 第2段階では、相群階層核融合(PGHF)は生理学的に関連する相を構造的に集約し、相補的な相情報の信頼できる統合を可能にする。 最終段階では、GRF(Global Representation Fusion)は、さらにグループ化された表現を結合し、それらのコントリビューションを適応的にバランスして生成する。
• 参考スコア（独自算出の注目度）: 14.563518684082133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiography (ECG) is adopted for identity authentication in wearable devices due to its individual-specific characteristics and inherent liveness. However, existing methods often treat heartbeats as homogeneous signals, overlooking the phase-specific characteristics within the cardiac cycle. To address this, we propose a Hierarchical Phase-Aware Fusion~(HPAF) framework that explicitly avoids cross-feature entanglement through a three-stage design. In the first stage, Intra-Phase Representation (IPR) independently extracts representations for each cardiac phase, ensuring that phase-specific morphological and variation cues are preserved without interference from other phases. In the second stage, Phase-Grouped Hierarchical Fusion (PGHF) aggregates physiologically related phases in a structured manner, enabling reliable integration of complementary phase information. In the final stage, Global Representation Fusion (GRF) further combines the grouped representations and adaptively balances their contributions to produce a unified and discriminative identity representation. Moreover, considering ECG signals are continuously acquired, multiple heartbeats can be collected for each individual. We propose a Heartbeat-Aware Multi-prototype (HAM) enrollment strategy, which constructs a multi-prototype gallery template set to reduce the impact of heartbeat-specific noise and variability. Extensive experiments on three public datasets demonstrate that HPAF achieves state-of-the-art results in the comparison with other methods under both closed and open-set settings.
• Abstract（参考訳）: 心電図(ECG)は、個々の特性と固有の生活性からウェアラブルデバイスにおける識別認証に採用されている。 しかし、既存の方法では、心臓の周期の中で位相特異的な特徴を見越して、心拍を均質な信号として扱うことが多い。 そこで本稿では, 階層型位相認識融合(HPAF)フレームワークを提案する。 第1段階では、IPR(Intra-Phase Representation)は、各心相の表現を独立して抽出し、相特異的な形態的および変動的手がかりが他の相からの干渉なしに保存されるようにする。 第2段階では、相群階層核融合(PGHF)は生理学的に関連する相を構造的に集約し、相補的な相情報の信頼できる統合を可能にする。 最終段階では、GRF(Global Representation Fusion)はさらにグループ化された表現を結合し、それらの貢献を適応的にバランスさせ、統一的で差別的なアイデンティティ表現を生成する。 さらに、ECG信号が連続的に取得されることを考えると、各個人に対して複数の心拍を収集することができる。 本稿では,Heartbeat-Aware Multi-Prototype (HAM) の登録戦略を提案する。 3つの公開データセットに対する大規模な実験は、HPAFがクローズドおよびオープンセット設定の両方で他の方法との比較において、最先端の結果を達成することを示した。

関連論文リスト

• Tracing the Heart's Pathways: ECG Representation Learning from a Cardiac Conduction Perspective [23.944422144809234]
  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。
  論文  参考訳（メタデータ） (2025-12-30T05:46:48Z)
• Cross-Learning Between ECG and PCG: Exploring Common and Exclusive Characteristics of Bimodal Electromechanical Cardiac Waveforms [6.81602773853736]
  本稿では,ECGとPCGの共通性と排他的特性について検討する。 線形および非線形機械学習モデルを用いて、各モダリティを他方から再構成する。 臨床的に関連がある心電図のバイオマーカー、例えば、動注点やQT間隔は、PCGのクロスオブジェクト設定から推定できる。
  論文  参考訳（メタデータ） (2025-06-11T22:16:59Z)
• 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)
• PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification [49.37555541088792]
  位相振幅デカップリング(PAD)は、位相(モダリティ共有)と振幅(モダリティ補完)を分離する周波数対応のフレームワークである。 この研究は、リモートセンシングにおける物理を意識したマルチモーダル融合の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-04-27T07:21:42Z)
• Interpretable Pre-Trained Transformers for Heart Time-Series Data [15.377534937558744]
  我々は、PTG-PTとECG-PTの2つのトレーニング済み汎用心臓モデルを作成する。 PPGのジクロティックノッチや心電図のP波など,個々の注意が生理学的に反する特徴に反応することを強調した。 これらの事前訓練されたモデルは、心房細動(AF)の分類や、光胸腺撮影におけるビート検出などのタスクにおいて、簡単に微調整できる。
  論文  参考訳（メタデータ） (2024-07-30T12:22:03Z)
• Amplitude-Phase Fusion for Enhanced Electrocardiogram Morphological Analysis [5.829027334954726]
  本稿では,新しい融合エントロピー計量であるモルフォロジーECGエントロピー(EE)を初めて提案する。 EEは異常心電図不整脈領域の迅速かつ正確かつラベルフリーな局在を実現する。 EEは品質の悪い領域を記述する能力を示す。
  論文  参考訳（メタデータ） (2024-04-15T12:29:16Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
  本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。 MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。 不整脈では99.7%,MIでは99.2%の分類が得られた。
  論文  参考訳（メタデータ） (2021-07-21T03:48:35Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。