論文の概要: Enhancing Imbalanced Electrocardiogram Classification: A Novel Approach Integrating Data Augmentation through Wavelet Transform and Interclass Fusion

• arxiv url: http://arxiv.org/abs/2601.09103v1
• Date: Wed, 14 Jan 2026 03:09:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.235625
• Title: Enhancing Imbalanced Electrocardiogram Classification: A Novel Approach Integrating Data Augmentation through Wavelet Transform and Interclass Fusion
• Title（参考訳）: 不均衡心電図分類の強化:ウェーブレット変換とクラス間融合によるデータ拡張の統合
• Authors: Haijian Shao, Wei Liu, Xing Deng, Daze Lu,
• Abstract要約: 不均衡心電図データ(ECG)は、心臓血管診断情報の自動処理と解釈においてアルゴリズムの有効性とレジリエンスを損なう。 本稿では,ECG分析におけるクラス不均衡とノイズ関連課題の両面に同時に対処するECG分類器について述べる。 診断精度は99%, 98%, 97%, 98%, 96%, 92%, 93%, 正常, AF, I-AVB, LBBB, RBBB, PAC, PVC, STD, STEで達成した。
• 参考スコア（独自算出の注目度）: 5.313364338545322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imbalanced electrocardiogram (ECG) data hampers the efficacy and resilience of algorithms in the automated processing and interpretation of cardiovascular diagnostic information, which in turn impedes deep learning-based ECG classification. Notably, certain cardiac conditions that are infrequently encountered are disproportionately underrepresented in these datasets. Although algorithmic generation and oversampling of specific ECG signal types can mitigate class skew, there is a lack of consensus regarding the effectiveness of such techniques in ECG classification. Furthermore, the methodologies and scenarios of ECG acquisition introduce noise, further complicating the processing of ECG data. This paper presents a significantly enhanced ECG classifier that simultaneously addresses both class imbalance and noise-related challenges in ECG analysis, as observed in the CPSC 2018 dataset. Specifically, we propose the application of feature fusion based on the wavelet transform, with a focus on wavelet transform-based interclass fusion, to generate the training feature library and the test set feature library. Subsequently, the original training and test data are amalgamated with their respective feature databases, resulting in more balanced training and test datasets. Employing this approach, our ECG model achieves recognition accuracies of up to 99%, 98%, 97%, 98%, 96%, 92%, and 93% for Normal, AF, I-AVB, LBBB, RBBB, PAC, PVC, STD, and STE, respectively. Furthermore, the average recognition accuracy for these categories ranges between 92\% and 98\%. Notably, our proposed data fusion methodology surpasses any known algorithms in terms of ECG classification accuracy in the CPSC 2018 dataset.
• Abstract（参考訳）: 不均衡心電図(ECG)データは、心臓血管診断情報の自動処理と解釈においてアルゴリズムの有効性とレジリエンスを損なうため、深層学習に基づく心電図分類を阻害する。 特に、頻繁に遭遇する特定の心臓状態は、これらのデータセットでは不均等に不足している。 特定のECG信号型のアルゴリズム生成とオーバーサンプリングは、クラススキューを軽減することができるが、ECG分類におけるそのような手法の有効性について合意が得られていない。 さらに、ECG取得の方法論とシナリオはノイズを導入し、ECGデータの処理をさらに複雑にする。 本稿では、CPSC 2018データセットで見られるように、ECG分析におけるクラス不均衡とノイズ関連課題の両方に同時に対処する、大幅に強化されたECG分類器を提案する。 具体的には、ウェーブレット変換に基づく特徴融合の応用を提案し、ウェーブレット変換に基づくクラス間融合に着目し、トレーニング特徴ライブラリとテストセット特徴ライブラリを生成する。 その後、元のトレーニングとテストデータはそれぞれの機能データベースにマージされ、より多くのバランスの取れたトレーニングとテストデータセットが生成される。 本手法を応用したECGモデルでは, 正常, AF, I-AVB, LBBB, RBBB, PAC, PVC, STD, STEに対して, 99%, 98%, 97%, 98%, 96%, 92%, 93%の認識精度が得られた。 さらに、これらのカテゴリの平均認識精度は92\%から98\%の範囲である。 特に,提案したデータ融合手法は,CPSC 2018データセットのECG分類精度において,既知のアルゴリズムを超越している。

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)
• Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
  深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。 本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
  論文  参考訳（メタデータ） (2025-08-24T10:44:24Z)
• 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)
• AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
  心電図(ECG)は急性心臓発作の検出に非常に敏感である。 本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
  論文  参考訳（メタデータ） (2024-11-17T17:32:58Z)
• 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)
• 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)
• Two-stream Network for ECG Signal Classification [3.222802562733787]
  本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。 本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。 MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
  論文  参考訳（メタデータ） (2022-10-05T08:14:51Z)
• 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。