論文の概要: Optimized Hybrid Feature Engineering for Resource-Efficient Arrhythmia Detection in ECG Signals: An Optimization Framework

• arxiv url: http://arxiv.org/abs/2601.00192v1
• Date: Thu, 01 Jan 2026 03:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.299552
• Title: Optimized Hybrid Feature Engineering for Resource-Efficient Arrhythmia Detection in ECG Signals: An Optimization Framework
• Title（参考訳）: ECG信号における資源効率の良い不整脈検出のための最適化ハイブリッド特徴工学:最適化フレームワーク
• Authors: Moirangthem Tiken Singh, Manibhushan Yaikhom,
• Abstract要約: 本研究では,複雑性よりも機能工学を優先する資源効率の高いデータ中心型フレームワークを提案する。 最適化されたパイプラインは、複雑で高次元の不整脈データを線形分離可能にします。 MIT-BIHとINCARTデータセットの検証では、98.44%の精度で8.54KBのモデルフットプリントが得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiovascular diseases, particularly arrhythmias, remain a leading global cause of mortality, necessitating continuous monitoring via the Internet of Medical Things (IoMT). However, state-of-the-art deep learning approaches often impose prohibitive computational overheads, rendering them unsuitable for resource-constrained edge devices. This study proposes a resource-efficient, data-centric framework that prioritizes feature engineering over complexity. Our optimized pipeline makes the complex, high-dimensional arrhythmia data linearly separable. This is achieved by integrating time-frequency wavelet decompositions with graph-theoretic structural descriptors, such as PageRank centrality. This hybrid feature space, combining wavelet decompositions and graph-theoretic descriptors, is then refined using mutual information and recursive elimination, enabling interpretable, ultra-lightweight linear classifiers. Validation on the MIT-BIH and INCART datasets yields 98.44% diagnostic accuracy with an 8.54 KB model footprint. The system achieves 0.46 $μ$s classification inference latency within a 52 ms per-beat pipeline, ensuring real-time operation. These outcomes provide an order-of-magnitude efficiency gain over compressed models, such as KD-Light (25 KB, 96.32% accuracy), advancing battery-less cardiac sensors.
• Abstract（参考訳）: 循環器疾患、特に不整脈は、医学的物事のインターネット(IoMT)による継続的なモニタリングを必要とし、世界的な死因となっている。 しかし、最先端のディープラーニングアプローチは、しばしば計算オーバーヘッドを禁止し、リソース制約のあるエッジデバイスには適さない。 本研究では,複雑性よりも機能工学を優先する資源効率の高いデータ中心型フレームワークを提案する。 最適化されたパイプラインは、複雑で高次元の不整脈データを線形分離可能にします。 これは、PageRank中心性のようなグラフ理論構造記述子と時間周波数ウェーブレット分解を統合することで達成される。 このハイブリッド特徴空間はウェーブレット分解とグラフ理論記述子を組み合わせたもので、相互情報と再帰的除去により洗練され、解釈可能な超軽量線形分類器が実現される。 MIT-BIHデータセットとINCARTデータセットの検証では、98.44%の精度で8.54KBモデルフットプリントが得られる。 このシステムは、52ミリ秒毎のパイプライン内で0.46$μ$sの分類推論遅延を達成し、リアルタイム動作を保証する。 これらの結果により、KD-Light(25KB、96.32%の精度)やバッテリーレス心臓センサーなどの圧縮されたモデルよりも高次効率が向上する。

関連論文リスト

• FlowECG: Using Flow Matching to Create a More Efficient ECG Signal Generator [0.0]
  合成心電図生成は、プライバシ保護データ共有とトレーニングデータセット拡張を必要とする医療AIアプリケーションを提供する。 現在の拡散法は、高い世代品質を実現するが、サンプリング中に数百のニューラルネットワーク評価を必要とする。 本研究では,SSSD-ECGアーキテクチャに適応するフローマッチング手法であるフローECGを提案する。
  論文  参考訳（メタデータ） (2025-08-31T09:19:22Z)
• A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
  本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。 提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
  論文  参考訳（メタデータ） (2025-06-16T15:38:39Z)
• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• Graph-Based Fault Diagnosis for Rotating Machinery: Adaptive Segmentation and Structural Feature Integration [0.0]
  本稿では,回転機械における頑健かつ解釈可能なマルチクラス故障診断のためのグラフベースフレームワークを提案する。 エントロピー最適化信号セグメンテーション、時間周波数特徴抽出、グラフ理論モデリングを統合し、振動信号を構造化表現に変換する。 提案手法は,2つのベンチマークデータセットで評価した場合,高い診断精度を実現する。
  論文  参考訳（メタデータ） (2025-04-29T13:34:52Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• Enhanced ECG Arrhythmia Detection Accuracy by Optimizing Divergence-Based Data Fusion [5.575308369829893]
  ケルネル密度推定(KDE)とクルバック・リーブラー(KL)の発散を利用した特徴量に基づく融合アルゴリズムを提案する。 健常者2000名, 病人2000名から収集した心電図による社内データセットを用いて, PTB-XLデータセットを用いて本手法の検証を行った。 その結果, 本手法は, 統合データセットにおける異常心電図症例の特徴に基づく分類精度を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-03-19T12:16:48Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• 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)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• 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)

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。