論文の概要: UCTECG-Net: Uncertainty-aware Convolution Transformer ECG Network for Arrhythmia Detection

• arxiv url: http://arxiv.org/abs/2602.16216v1
• Date: Wed, 18 Feb 2026 06:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.530916
• Title: UCTECG-Net: Uncertainty-aware Convolution Transformer ECG Network for Arrhythmia Detection
• Title（参考訳）: UCTECG-Net:不確かさを意識した不整脈検出用コンボリューション変換器ECGネットワーク
• Authors: Hamzeh Asgharnezhad, Pegah Tabarisaadi, Abbas Khosravi, Roohallah Alizadehsani, U. Rajendra Acharya,
• Abstract要約: UCTECG-Netは1次元の畳み込みとトランスフォーマーエンコーダを組み合わせて生のECG信号を処理する不確実性を考慮したハイブリッドアーキテクチャである。 MIT-BIH Arrhythmia と PTB Analysis データセットで評価し、UCTECG-Net は LSTM, CNN1D, Transformer のベースラインを精度、精度、リコール、F1 スコアで上回っている。
• 参考スコア（独自算出の注目度）: 13.993637404760355
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning has improved automated electrocardiogram (ECG) classification, but limited insight into prediction reliability hinders its use in safety-critical settings. This paper proposes UCTECG-Net, an uncertainty-aware hybrid architecture that combines one-dimensional convolutions and Transformer encoders to process raw ECG signals and their spectrograms jointly. Evaluated on the MIT-BIH Arrhythmia and PTB Diagnostic datasets, UCTECG-Net outperforms LSTM, CNN1D, and Transformer baselines in terms of accuracy, precision, recall and F1 score, achieving up to 98.58% accuracy on MIT-BIH and 99.14% on PTB. To assess predictive reliability, we integrate three uncertainty quantification methods (Monte Carlo Dropout, Deep Ensembles, and Ensemble Monte Carlo Dropout) into all models and analyze their behavior using an uncertainty-aware confusion matrix and derived metrics. The results show that UCTECG-Net, particularly with Ensemble or EMCD, provides more reliable and better-aligned uncertainty estimates than competing architectures, offering a stronger basis for risk-aware ECG decision support.
• Abstract（参考訳）: ディープラーニングは、自動心電図分類(ECG)を改善したが、予測信頼性に関する限られた洞察は、安全クリティカルな設定での使用を妨げる。 本稿では,一次元畳み込みとトランスフォーマーエンコーダを組み合わせた不確実性を考慮したハイブリッドアーキテクチャUCTECG-Netを提案する。 MIT-BIH Arrhythmia と PTB 診断データセットに基づいて評価され、UCTECG-Net は LSTM, CNN1D, Transformer のベースラインを精度、精度、リコール、F1 スコアで上回り、MIT-BIH では 98.58% の精度と PTB では 99.14% の精度を達成している。 予測信頼性を評価するため,3つの不確実性定量化手法(Monte Carlo Dropout,Deep Ensembles,Ensemble Monte Carlo Dropout)をすべてのモデルに統合し,不確実性を考慮した混合行列と導出したメトリクスを用いてそれらの挙動を解析する。 その結果、UCTECG-Net、特にEnsembleやEMCDは、競合するアーキテクチャよりも信頼性が高く、整合性の良い不確実性推定を提供し、リスクを意識したECG決定支援のための強力な基盤を提供することがわかった。

関連論文リスト

• Enhancing Decision-Making in Windows PE Malware Classification During Dataset Shifts with Uncertainty Estimation [1.9269719158344512]
  我々は,確率閾値,事前ネット,アンサンブル推定,帰納的等式評価(ICE)を含む不確実性を考慮した意思決定戦略について検討する。 本研究の主な貢献は,ICE内における非整合性対策として,アンサンブルに基づく不確実性推定を,新しいしきい値最適化法と組み合わせることである。 これらの結果は、アンサンブルに基づく不確実性と整合性予測を統合することで、極端なデータセットシフトの下での誤分類に対するより信頼性の高い保護が可能になることを示している。
  論文  参考訳（メタデータ） (2025-12-20T20:17:12Z)
• SD-CGAN: Conditional Sinkhorn Divergence GAN for DDoS Anomaly Detection in IoT Networks [7.7791934741614925]
  本稿では,Sinkhorn Divergence で拡張された条件付き生成逆ネットワークフレームワーク SD-CGAN を提案する。 このフレームワークは、CTGANベースの合成データ拡張により、クラス不均衡に対処し、Sinkhorn Divergenceを幾何認識損失関数として活用することにより、トレーニング安定性を改善し、モード崩壊を低減する。 その結果、SD-CGANはエッジ対応IoT環境への展開に適した計算効率を維持しつつ、より優れた検出精度、精度、リコール、F1スコアを実現することが示された。
  論文  参考訳（メタデータ） (2025-11-28T23:57:51Z)
• Meta-cognitive Multi-scale Hierarchical Reasoning for Motor Imagery Decoding [43.32839547082765]
  本研究では,4クラス脳波(EEG)信号の階層的,メタ認知的デコードフレームワークについて検討する。 バックボーンの特徴を時間的マルチスケール表現に再構成するマルチスケール階層型信号処理モジュールを提案する。 我々は,このフレームワークを3つの標準脳波バックボーン上でインスタンス化し,BCIコンペティションIV-2aデータセットを用いて4クラスMIデコーディングを評価する。
  論文  参考訳（メタデータ） (2025-11-11T06:32:23Z)
• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。 トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。 短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• Enhancing Monte Carlo Dropout Performance for Uncertainty Quantification [5.41721607488562]
  ディープニューラルネットワークの出力に関連する不確実性を知ることは、信頼できる決定を行う上で最重要となる。 我々は,モンテカルロ・ドロップアウト(MCD)を,異なる検索ソリューションを統合することで拡張する革新的なフレームワークを紹介する。 提案手法は,従来の精度と不確実性の両方の観点から,平均2-3%のMCDベースラインを上回ります。 これらの結果は、安全クリティカルなアプリケーションにおけるディープラーニングモデルの信頼性を高めるためのアプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2025-05-21T15:50:03Z)
• Confidence-aware Fine-tuning of Sequential Recommendation Systems via Conformal Prediction [46.76846936581471]
  Sequential Recommendation Systems (SRecsys)では、クロスエントロピー(CE)損失に依存する従来のトレーニングアプローチは、精度を優先することが多いが、ユーザの満足度指標とうまく一致しない。 コンフォーマル予測(CP)に基づく損失をCE損失と統合した新しい微調整フレームワークである textbfCPFT を提案する。
  論文  参考訳（メタデータ） (2024-02-14T06:43:02Z)
• Enhancing Reliability of Neural Networks at the Edge: Inverted Normalization with Stochastic Affine Transformations [0.22499166814992438]
  インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。 実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
  論文  参考訳（メタデータ） (2024-01-23T00:27:31Z)
• 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)
• Accurate and Reliable Confidence Estimation Based on Non-Autoregressive End-to-End Speech Recognition System [42.569506907182706]
  従来のエンドツーエンド(E2E)ベースの信頼度推定モデル(CEM)は、入力書き起こしと等しい長さのスコアシーケンスを予測する。 本稿では,新しい非自己回帰型E2E ASRモデル - Paraformer に基づく正確かつ信頼性の高い信頼度推定を実現するために,CIF-Aligned confidence Estimation Model (CA-CEM)を提案する。
  論文  参考訳（メタデータ） (2023-05-18T03:34:50Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)

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。