論文の概要: BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification

• arxiv url: http://arxiv.org/abs/2601.07316v1
• Date: Mon, 12 Jan 2026 08:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.2904
• Title: BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification
• Title（参考訳）: BEAT-Net: 解釈可能なECG分類のためのバイオミメティックス比-テンポラルプリミティブを注入する
• Authors: Runze Ma, Caizhi Liao,
• Abstract要約: BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。 局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。 例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
• 参考スコア（独自算出の注目度）: 1.3909285316906435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although deep learning has advanced automated electrocardiogram (ECG) diagnosis, prevalent supervised methods typically treat recordings as undifferentiated one-dimensional (1D) signals or two-dimensional (2D) images. This formulation compels models to learn physiological structures implicitly, resulting in data inefficiency and opacity that diverge from medical reasoning. To address these limitations, we propose BEAT-Net, a Biomimetic ECG Analysis with Tokenization framework that reformulates the problem as a language modeling task. Utilizing a QRS tokenization strategy to transform continuous signals into biologically aligned heartbeat sequences, the architecture explicitly decomposes cardiac physiology through specialized encoders that extract local beat morphology while normalizing spatial lead perspectives and modeling temporal rhythm dependencies. Evaluations across three large-scale benchmarks demonstrate that BEAT-Net matches the diagnostic accuracy of dominant convolutional neural network (CNN) architectures while substantially improving robustness. The framework exhibits exceptional data efficiency, recovering fully supervised performance using only 30 to 35 percent of annotated data. Moreover, learned attention mechanisms provide inherent interpretability by spontaneously reproducing clinical heuristics, such as Lead II prioritization for rhythm analysis, without explicit supervision. These findings indicate that integrating biological priors offers a computationally efficient and interpretable alternative to data-intensive large-scale pre-training.
• Abstract（参考訳）: ディープラーニングには高度な自動心電図(ECG)診断があるが、一般的な教師付き手法では、記録を未分化の1次元(1D)信号または2次元(2D)画像として扱うのが一般的である。 この定式化は、生理学的構造を暗黙的に学習するためにモデルを補完する。 これらの制約に対処するため,Tokenizationフレームワークを用いた生物模倣ECG分析であるBEAT-Netを提案し,その問題を言語モデリングタスクとして再構築する。 QRSトークン化戦略を用いて、連続した信号を生物学的に整列した心拍配列に変換することで、局所的な拍動形態を抽出し、空間的なリード視点を正規化し、時間的リズム依存をモデル化する特殊なエンコーダを通じて心臓生理を明示的に分解する。 3つの大規模ベンチマークによる評価は、BEAT-Netが支配的畳み込みニューラルネットワーク(CNN)アーキテクチャの診断精度に相当し、ロバスト性を大幅に改善していることを示している。 このフレームワークは例外的なデータ効率を示し、注釈付きデータの30%から35%しか使用せずに完全に教師付きのパフォーマンスを回復する。 さらに、学習された注意機構は、明示的な監督なしに、リズム分析のためのリードII優先化のような自然に臨床ヒューリスティックを再現することで、固有の解釈可能性を提供する。 これらの結果から,生物前駆体の統合は,データ集約型大規模事前学習に代えて,計算的に効率的かつ解釈可能な代替手段となることが示唆された。

関連論文リスト

• Prior-AttUNet: Retinal OCT Fluid Segmentation Based on Normal Anatomical Priors and Attention Gating [6.013762133627291]
  本研究は, 生成解剖学的先行を付加したセグメンテーションモデルである Pre-AttUNet を紹介する。 このフレームワークは、生成前の経路とセグメンテーションネットワークを統合するハイブリッドなデュアルパスアーキテクチャを採用している。 このモデルは計算コストが 0.37 TFLOPs で、セグメント精度と推論効率の効果的なバランスを保っている。
  論文  参考訳（メタデータ） (2025-12-25T14:37:04Z)
• Towards the Automatic Segmentation, Modeling and Meshing of the Aortic Vessel Tree from Multicenter Acquisitions: An Overview of the SEG.A. 2023 Segmentation of the Aorta Challenge [44.01488489205175]
  この分野での進歩を触媒するSEG.A.チャレンジを紹介します。 この課題は、隠れたテストセットで自動アルゴリズムをベンチマークした。 主要な結果は、上位のアルゴリズムのアンサンブルが個々のモデルよりも大幅に優れていたことである。
  論文  参考訳（メタデータ） (2025-10-28T02:33:45Z)
• Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
  3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。 我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
  論文  参考訳（メタデータ） (2025-09-22T12:57:21Z)
• A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
  本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。 従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。 アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
  論文  参考訳（メタデータ） (2025-07-16T21:38:10Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• 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)
• Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
  機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。 本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
  論文  参考訳（メタデータ） (2024-12-07T08:29:44Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
  入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。 注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
  論文  参考訳（メタデータ） (2022-10-31T07:36:48Z)
• 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)
• 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。