Fugu-MT 論文翻訳(概要): Prenatal Stress Detection from Electrocardiography Using Self-Supervised Deep Learning: Development and External Validation

論文の概要: Prenatal Stress Detection from Electrocardiography Using Self-Supervised Deep Learning: Development and External Validation

arxiv url: http://arxiv.org/abs/2602.03886v1
Date: Tue, 03 Feb 2026 03:51:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-05 19:45:11.200353
Title: Prenatal Stress Detection from Electrocardiography Using Self-Supervised Deep Learning: Development and External Validation
Title（参考訳）: 自己監督型深層学習を用いた心電図からの出生前ストレス検出:開発と外的検証
Authors: Martin G. Frasch, Marlene J. E. Mayer, Clara Becker, Peter Zimmermann, Camilla Zelgert, Marta C. Antonelli, Silvia M. Lobmaier,
Abstract要約: 出生前の心理的ストレスは妊娠の15～25%に影響する。現在のスクリーニングは主観的アンケート (PSS-10) に依存しており、継続的なモニタリングを制限している。 FELICITy 1コホートを用いた心電図からのストレス検出のための深層学習モデルを開発した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Prenatal psychological stress affects 15-25% of pregnancies and increases risks of preterm birth, low birth weight, and adverse neurodevelopmental outcomes. Current screening relies on subjective questionnaires (PSS-10), limiting continuous monitoring. We developed deep learning models for stress detection from electrocardiography (ECG) using the FELICITy 1 cohort (151 pregnant women, 32-38 weeks gestation). A ResNet-34 encoder was pretrained via SimCLR contrastive learning on 40,692 ECG segments per subject. Multi-layer feature extraction enabled binary classification and continuous PSS prediction across maternal (mECG), fetal (fECG), and abdominal ECG (aECG). External validation used the FELICITy 2 RCT (28 subjects, different ECG device, yoga intervention vs. control). On FELICITy 1 (5-fold CV): mECG 98.6% accuracy (R2=0.88, MAE=1.90), fECG 99.8% (R2=0.95, MAE=1.19), aECG 95.5% (R2=0.75, MAE=2.80). External validation on FELICITy 2: mECG 77.3% accuracy (R2=0.62, MAE=3.54, AUC=0.826), aECG 63.6% (R2=0.29, AUC=0.705). Signal quality-based channel selection outperformed all-channel averaging (+12% R2 improvement). Mixed-effects models detected a significant intervention response (p=0.041). Self-supervised deep learning on pregnancy ECG enables accurate, objective stress assessment, with multi-layer feature extraction substantially outperforming single embedding approaches.
Abstract（参考訳）: 出生前の心理的ストレスは妊娠の15～25%に影響し、出生前、低出生体重、神経発達不良のリスクを増加させる。現在のスクリーニングは主観的アンケート (PSS-10) に依存しており、継続的なモニタリングを制限している。 FELICITy 1 cohort (妊婦151名, 妊娠32-38週) を用いた心電図によるストレス検出のための深層学習モデルを開発した。 ResNet-34エンコーダはSimCLR経由で、被験者あたり40,692個のECGセグメントのコントラスト学習を行った。多層的特徴抽出により、母体(mECG)、胎児(fECG)、腹部心電図(aECG)の2値分類と連続PSS予測が可能となった。外部検証ではFELICITy 2 RCT(被験者28名,異なるECG装置,ヨガ介入対コントロール)を使用した。 FELICITy 1 (5-fold CV): mECG 98.6%(R2=0.88, MAE=1.90)、fECG 99.8%(R2=0.95, MAE=1.19)、aECG 95.5%(R2=0.75, MAE=2.80)。 FELICITy 2の外部検証: mECG 77.3%精度(R2=0.62、MAE=3.54、AUC=0.826)、aECG 63.6%(R2=0.29、AUC=0.705)。信号品質に基づくチャネル選択は、全チャネル平均化(+12% R2改善)を上回った。混合効果モデルでは重要な介入反応(p=0.041。妊娠中の心電図の自己教師型深層学習は, 精度, 客観的なストレス評価を可能にする。

関連論文リスト

FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
論文参考訳（メタデータ） (2026-01-22T01:34:39Z)
A Foundation Model Approach for Fetal Stress Prediction During Labor From cardiotocography (CTG) recordings [0.0]
心電図は、運動中の胎児のモニタリングに広く用いられている。深層学習のアプローチは臨床結果ラベル付きCTG記録の不足によって制約されている。自己教師型プレトレーニングの第1報をCTG解析に応用した。
論文参考訳（メタデータ） (2026-01-05T22:36:18Z)
Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
論文参考訳（メタデータ） (2025-03-28T05:47:44Z)
Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-07T12:15:53Z)
A Novel Deep Learning Technique for Morphology Preserved Fetal ECG Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。 fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
論文参考訳（メタデータ） (2023-09-25T19:38:51Z)
Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。診断成績は臨床医の成績と比較した。臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文参考訳（メタデータ） (2023-02-02T08:45:17Z)
Deep artificial neural network for prediction of atrial fibrillation through the analysis of 12-leads standard ECG [0.0]
心房細動(Atrial Fibrillation,AF)は心臓不整脈である。畳み込みニューラルネットワークを用いてECGを分析し,現実的なデータセットからAFを予測する。
論文参考訳（メタデータ） (2022-01-14T10:09:01Z)
Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文参考訳（メタデータ） (2021-04-15T12:50:16Z)
Fetal ECG Extraction from Maternal ECG using Attention-based CycleGAN [0.0]
非侵襲性胎児心電図(FECG)は胎児心臓の電気パルスをモニターするために用いられる。適応フィルタのような従来の分解技術では、 MECG を FECG に効率的にマッピングするために、チューニング、アライメント、事前設定を必要とする。提案手法は,A&D FECGデータセットに適合するとして,腹部MECGを平均98%のR-Squareで頭皮FECGにマッピングする。 99.7%のF1スコア [CI 95%:97.8-99.9]、99.6%のF1スコア [CI 95%:98.2%、99.9%]、99.3%のF1スコア [CI 95%):
論文参考訳（メタデータ） (2020-11-22T19:49:21Z)
Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文参考訳（メタデータ） (2020-10-29T19:14:41Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。