論文の概要: Inter-patient ECG Arrhythmia Classification with LGNs and LUTNs

• arxiv url: http://arxiv.org/abs/2601.11433v1
• Date: Fri, 16 Jan 2026 16:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.57265
• Title: Inter-patient ECG Arrhythmia Classification with LGNs and LUTNs
• Title（参考訳）: LGN, LUTNを用いた心電図不整脈診断
• Authors: Wout Mommen, Lars Keuninckx, Paul Detterer, Achiel Colpaert, Piet Wambacq,
• Abstract要約: LGNとLUTNは、患者間パラダイムを用いて心電図(ECG)の自動分類に適していることが示されている。 これらの手法はMIT-BIHの不整脈データセットを用いてベンチマークされ、最大94.28%の精度と4クラス分類問題で0.683ドルのインデックスが得られた。
• 参考スコア（独自算出の注目度）: 0.5856479799932673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Differentiable Logic Gate Networks (LGNs) and Lookup Table Networks (LUTNs) are demonstrated to be suitable for the automatic classification of electrocardiograms (ECGs) using the inter-patient paradigm. The methods are benchmarked using the MIT-BIH arrhythmia data set, achieving up to 94.28% accuracy and a $jκ$ index of 0.683 on a four-class classification problem. Our models use between 2.89k and 6.17k FLOPs, including preprocessing and readout, which is three to six orders of magnitude less compared to SOTA methods. A novel preprocessing method is utilized that attains superior performance compared to existing methods for both the mixed-patient and inter-patient paradigms. In addition, a novel method for training the Lookup Tables (LUTs) in LUTNs is devised that uses the Boolean equation of a multiplexer (MUX). Additionally, rate coding was utilized for the first time in these LGNs and LUTNs, enhancing the performance of LGNs. Furthermore, it is the first time that LGNs and LUTNs have been benchmarked on the MIT-BIH arrhythmia dataset using the inter-patient paradigm. Using an Artix 7 FPGA, between 2000 and 2990 LUTs were needed, and between 5 to 7 mW (i.e. 50 pJ to 70 pJ per inference) was estimated for running these models. The performance in terms of both accuracy and $jκ$-index is significantly higher compared to previous LGN results. These positive results suggest that one can utilize LGNs and LUTNs for the detection of arrhythmias at extremely low power and high speeds in heart implants or wearable devices, even for patients not included in the training set.
• Abstract（参考訳）: 患者間パラダイムを用いた心電図の自動分類には,LGNとLUTNが適していることが示されている。 これらの手法はMIT-BIHの不整脈データセットを用いてベンチマークされ、最大94.28%の精度と4クラス分類問題で0.683ドルのjκ$インデックスが得られた。 我々のモデルは2.89kから6.17kのFLOPを用いており、前処理や読み出しはSOTA法に比べて3～6桁少ない。 混合患者と患者間パラダイムの両方において、既存の方法と比較して優れた性能が得られる新規な前処理方法が利用される。 さらに,マルチプレクサ(MUX)のブール方程式を用いて,LUTNにおけるルックアップテーブル(LUT)の学習方法が考案された。 さらに、これらのLGNとLUTNで初めてレート符号化が利用され、LGNの性能が向上した。 さらに、患者間パラダイムを用いて、LGNとLUTNがMIT-BIH不整脈データセット上でベンチマークされたのはこれが初めてである。 Artix 7 FPGAを使用するには2000年から2990 LUTが必要であり、これらのモデルを実行するには5～7mW(推定50pJから70pJ)が必要と見積もられた。 精度と$jκ$-indexの両面での性能は, 従来のLGNの結果に比べて有意に高い。 以上の結果から, トレーニングセットに含まれていない患者においても, 極めて低出力, 高速で不整脈を検出するためにLGNsとLUTNsが有効であることが示唆された。

関連論文リスト

• LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum [73.82125917416067]
  LACONICは、Llama-3アーキテクチャに基づく学習されたスパースレトリバーのファミリーである。 8Bの派生型はMTEB Retrievalベンチマークで最先端の60.2 nDCGを達成し、リーダーボードで15位となった。
  論文  参考訳（メタデータ） (2026-01-04T22:42:20Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Inverse-Free Fast Natural Gradient Descent Method for Deep Learning [52.0693420699086]
  本稿では,第1期における逆転のみを必要とする高速な自然勾配降下法を提案する。 FNGDは1次法の平均和と類似性を示し、FNGDの計算複雑性は1次法に匹敵する。
  論文  参考訳（メタデータ） (2024-03-06T05:13:28Z)
• Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network [4.8083529516303924]
  本稿では,ECG信号に基づく5クラス,17クラスの不整脈分類が可能な超軽量バイナリニューラルネットワークを提案する。 本モデルは17クラス分類において最適精度を達成し,エレガントにシンプルなネットワークアーキテクチャを有する。 我々の研究は、医療産業における軽量なディープラーニングモデルの可能性を示している。
  論文  参考訳（メタデータ） (2023-04-04T06:47:54Z)
• Arrhythmia Classifier using Binarized Convolutional Neural Network for Resource-Constrained Devices [4.36031697142651]
  ECGモニタリングに適した二元化畳み込みニューラルネットワークを提案する。 ハードウェアフレンドリーで、リソースに制約のあるウェアラブルデバイスでの使用に適している。 計算速度は12.65倍、ストレージ圧縮比は24.8倍であり、メモリオーバーヘッドの4分の1しか必要としない。
  論文  参考訳（メタデータ） (2022-05-07T14:21:32Z)
• 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)
• Multistage Pruning of CNN Based ECG Classifiers for Edge Devices [9.223908421919733]
  畳み込みニューラルネットワーク(CNN)に基づくディープラーニングは、ECGの異常なビートを検出するのに成功している。 既存のCNNモデルの計算複雑性は、低消費電力エッジデバイスに実装することを禁止している。 本稿では,CNNモデルの複雑性を低減し,性能を損なうことなく,新たなマルチステージプルーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-08-31T17:51:15Z)
• Random Convolution Kernels with Multi-Scale Decomposition for Preterm EEG Inter-burst Detection [0.0]
  ランダム畳み込みカーネルを持つ線形分類器は、設計やドメイン知識を必要としない計算効率の良い方法である。 最近提案されたRandOm Convolutional KErnel Transformsは、時系列データセットの範囲で高い精度を示している。 本稿では,高周波数成分と低周波数成分を併用したマルチスケールバージョンを提案する。
  論文  参考訳（メタデータ） (2021-08-04T13:07:41Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。