Fugu-MT 論文翻訳(概要): Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation

論文の概要: Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation

arxiv url: http://arxiv.org/abs/2602.17701v1
Date: Sat, 07 Feb 2026 06:56:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 07:21:25.544027
Title: Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation
Title（参考訳）: 心電図分類のためのディープニューラルネットワークアーキテクチャ:包括的評価
Authors: Yun Song, Wenjia Zheng, Tiedan Chen, Ziyu Wang, Jiazhao Shi, Yisong Chen,
Abstract要約: 本研究では,自動不整脈分類のためのディープニューラルネットワークアーキテクチャの包括的評価を行う。マイノリティクラスにおけるデータの不足に対処するため、MIT-BIH ArrhythmiaデータセットはGenerative Adversarial Network (GAN)を使用して拡張された。我々は、CNN(Convolutional Neural Networks)、CNNとLong Short-Term Memory(CNN-LSTM)、CNN-LSTM with Attention(CNN-LSTM)、ResNet-1D(ResNet-1D)の4つの異なるアーキテクチャを開発し比較した。
参考スコア（独自算出の注目度）: 7.708113178862228
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the rising prevalence of cardiovascular diseases, electrocardiograms (ECG) remain essential for the non-invasive detection of cardiac abnormalities. This study presents a comprehensive evaluation of deep neural network architectures for automated arrhythmia classification, integrating temporal modeling, attention mechanisms, and ensemble strategies. To address data scarcity in minority classes, the MIT-BIH Arrhythmia dataset was augmented using a Generative Adversarial Network (GAN). We developed and compared four distinct architectures, including Convolutional Neural Networks (CNN), CNN combined with Long Short-Term Memory (CNN-LSTM), CNN-LSTM with Attention, and 1D Residual Networks (ResNet-1D), to capture both local morphological features and long-term temporal dependencies. Performance was rigorously evaluated using accuracy, F1-score, and Area Under the Curve (AUC) with 95\% confidence intervals to ensure statistical robustness, while Gradient-weighted Class Activation Mapping (Grad-CAM) was employed to validate model interpretability. Experimental results indicate that the CNN-LSTM model achieved the optimal stand-alone balance between sensitivity and specificity, yielding an F1-score of 0.951. Conversely, the CNN-LSTM-Attention and ResNet-1D models exhibited higher sensitivity to class imbalance. To mitigate this, a dynamic ensemble fusion strategy was introduced; specifically, the Top2-Weighted ensemble achieved the highest overall performance with an F1-score of 0.958. These findings demonstrate that leveraging complementary deep architectures significantly enhances classification reliability, providing a robust and interpretable foundation for intelligent arrhythmia detection systems.
Abstract（参考訳）: 心血管疾患の増加に伴い心電図(ECG)は心疾患の非侵襲的検出に必須である。本研究では、時間的モデリング、アテンション機構、アンサンブル戦略を統合した、自動不整脈分類のためのディープニューラルネットワークアーキテクチャの包括的な評価を行う。マイノリティクラスのデータの不足に対処するため、MIT-BIH ArrhythmiaデータセットはGenerative Adversarial Network (GAN)を使用して拡張された。我々は,CNNとLong Short-Term Memory(CNN-LSTM),CNN-LSTM with Attention,1D Residual Networks(ResNet-1D)の4つの異なるアーキテクチャを開発し,比較した。精度, F1スコア, エリアアンダー・ザ・カーブ (AUC) を用いて統計的ロバスト性を確保するために95%の信頼区間で厳格に評価し, グラディエント重み付きクラスアクティベーションマッピング (Grad-CAM) を用いてモデル解釈性の評価を行った。実験結果から, CNN-LSTMモデルは感度と特異性の間に最適なスタンドアローンバランスを達成し, F1スコアは0.951。逆に、CNN-LSTM-AttentionとResNet-1Dモデルでは、クラス不均衡に対する感度が高かった。これを軽減するため、ダイナミックアンサンブル融合戦略が導入され、特にトップ2重アンサンブルはF1スコア0.958で最高性能を達成した。これらの結果から, 相補的な深層構造を活用することで分類信頼性が著しく向上し, インテリジェント不整脈検出システムのための堅牢かつ解釈可能な基盤を提供することが示された。

関連論文リスト

How Much Temporal Modeling is Enough? A Systematic Study of Hybrid CNN-RNN Architectures for Multi-Label ECG Classification [1.8119312186036625]
本研究は,心電図分類における深層および累積再帰的アーキテクチャの必要性と臨床正当性を評価するものである。単一のBiLSTM層に統合されたCNNは、予測性能とモデル複雑性の最も好ましいトレードオフを実現する。これらの結果から,心電図信号の内在的時間構造とのアーキテクチャ的整合性は,再帰的深度を増大させるのではなく,頑健な性能を決定づける重要な要因であることが示唆された。
論文参考訳（メタデータ） (2026-01-25T17:29:13Z)
A Lightweight CNN-Attention-BiLSTM Architecture for Multi-Class Arrhythmia Classification on Standard and Wearable ECGs [0.37331950863394864]
本稿では,1次元畳み込みニューラルネットワーク(CNN, attention mechanism, Bidirectional Long Short-Term Memory, BiLSTM)を組み合わせた,12誘導心電図と単誘導心電図の両方から不整脈を分類するための軽量ディープラーニングモデルを提案する。 0.945万のパラメータしか持たず、私たちのモデルはウェアラブルの健康モニタリングシステムにリアルタイムに配置するのに適しています。
論文参考訳（メタデータ） (2025-11-11T05:25:58Z)
BrainCSD: A Hierarchical Consistency-Driven MoE Foundation Model for Unified Connectome Synthesis and Multitask Brain Trait Prediction [33.650792366699385]
機能的および構造的接続(FC/SC)は、脳分析の鍵となるバイオマーカーであるが、その臨床的有用性は、高価な取得、複雑な前処理、そして頻繁に欠落するモダリティによって妨げられている。我々は、FC/SCバイオマーカーを共同で合成し、下流デコードタスク(診断と予測)をサポートする階層的混合専門家基盤モデルであるBrainCSDを提案する。 FC RMSE:0.038、SC RMSE:0.006、脳年齢予測(MAE:4.04年)、MMSEスコア(MAE:1.72点)
論文参考訳（メタデータ） (2025-11-07T04:40:47Z)
H-Infinity Filter Enhanced CNN-LSTM for Arrhythmia Detection from Heart Sound Recordings [0.7394388288509157]
心臓不整脈の早期発見は, 心疾患の重症化を予防する。ディープラーニングは不整脈検出を自動化する強力なツールとして登場した。 CNN-H-Infinity-LSTMアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-11-04T09:00:17Z)
Rethinking Convergence in Deep Learning: The Predictive-Corrective Paradigm for Anatomy-Informed Brain MRI Segmentation [30.94379425064039]
本稿では,学習を根本的に加速させるために,モデルタスクを分離するフレームワークである予測補正(PC)パラダイムを紹介する。 PCambaNetは2つの相乗的モジュールから構成される。第一に、予測優先モジュール(PPM)は計算コストの低い粗い近似を生成する。次に、Corrective Residual Network (CRN)は、残差エラーをモデル化することを学び、ネットワークのフル容量をこれらの課題領域の精製に集中させる。
論文参考訳（メタデータ） (2025-10-17T08:51:33Z)
Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文参考訳（メタデータ） (2025-10-05T12:35:01Z)
Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [40.35825564674249]
本研究では,基礎モデルにおける伝達学習戦略の堅牢性と効率性を評価するための最初の構造化されたベンチマークを紹介する。新型コロナウイルス(COVID-19)の胸部X線データセットが4つ使用されており、死亡率、重症度、入院率をカバーしている。一般またはバイオメディカルデータセットで事前訓練されたImageNetとFMで事前訓練されたCNNは、完全な微調整、線形探索、パラメータ効率のよい手法を用いて適応された。
論文参考訳（メタデータ） (2025-06-23T09:16:04Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
論文参考訳（メタデータ） (2023-03-06T13:26:29Z)
Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks [24.226952040270564]
本稿では,ECG分類のための1D Self-organized Operational Neural Networks (1D Self-ONNs)を提案する。 1D Self-ONNは、演算子セットライブラリ内の前の演算子探索が完全に回避される従来のONNに比べて、最大の優位性と優位性を持つ。 MIT-BIH不整脈ベンチマークデータベースを用いた結果, 1D Self-ONN が 1D CNN をはるかに上回っていることがわかった。
論文参考訳（メタデータ） (2021-09-30T19:37:36Z)

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。