論文の概要: RhythmBERT: A Self-Supervised Language Model Based on Latent Representations of ECG Waveforms for Heart Disease Detection

• arxiv url: http://arxiv.org/abs/2602.23060v1
• Date: Thu, 26 Feb 2026 14:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.726565
• Title: RhythmBERT: A Self-Supervised Language Model Based on Latent Representations of ECG Waveforms for Heart Disease Detection
• Title（参考訳）: RhythmBERT:心疾患検出のための心電図波形の潜在表現に基づく自己監督型言語モデル
• Authors: Xin Wang, Burcu Ozek, Aruna Mohan, Amirhossein Ravari, Or Zilbershot, Fatemeh Afghah,
• Abstract要約: 心電図(ECG)解析は心疾患の診断に不可欠である。 ほとんどの自己教師付き学習方法は、ECGを一般的な時系列として扱う。 本稿では,ECGを言語パラダイムとする生成ECG言語モデルであるRhythmBERTを提案する。
• 参考スコア（独自算出の注目度）: 8.583942286312135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiogram (ECG) analysis is crucial for diagnosing heart disease, but most self-supervised learning methods treat ECG as a generic time series, overlooking physiologic semantics and rhythm-level structure. Existing contrastive methods utilize augmentations that distort morphology, whereas generative approaches employ fixed-window segmentation, which misaligns cardiac cycles. To address these limitations, we propose RhythmBERT, a generative ECG language model that considers ECG as a language paradigm by encoding P, QRS, and T segments into symbolic tokens via autoencoder-based latent representations. These discrete tokens capture rhythm semantics, while complementary continuous embeddings retain fine-grained morphology, enabling a unified view of waveform structure and rhythm. RhythmBERT is pretrained on approximately 800,000 unlabeled ECG recordings with a masked prediction objective, allowing it to learn contextual representations in a label-efficient manner. Evaluations show that despite using only a single lead, RhythmBERT achieves comparable or superior performance to strong 12-lead baselines. This generalization extends from prevalent conditions such as atrial fibrillation to clinically challenging cases such as subtle ST-T abnormalities and myocardial infarction. Our results suggest that considering ECG as structured language offers a scalable and physiologically aligned pathway for advancing cardiac analysis.
• Abstract（参考訳）: 心電図(ECG)解析は心疾患の診断に不可欠であるが、ほとんどの自己管理学習法は、心電図を生理的意味論やリズムレベルの構造を見越して、一般的な時系列として扱う。 既存のコントラスト法では、形態を歪ませる拡張を利用しており、生成的アプローチでは、心臓循環を誤る固定ウィンドウセグメンテーションを採用している。 これらの制約に対処するために、自動エンコーダベースの潜在表現を用いて、P、QRS、Tセグメントをシンボルトークンに符号化することで、ECGを言語パラダイムとして考える生成ECG言語モデルであるRhythmBERTを提案する。 これらの離散トークンはリズムのセマンティクスを捉え、相補的な連続埋め込みは微細な形態を保ち、波形構造とリズムの統一的なビューを可能にする。 RhythmBERTは、約80,000の未ラベルのECGレコードにマスク付き予測目標で事前訓練されており、ラベル効率のよいコンテキスト表現を学習することができる。 評価によると、RhythmBERTは1つのリードしか使用していないが、強力な12リードベースラインと同等または優れたパフォーマンスを達成している。 この一般化は、心房細動などの一般的な状態から、微妙なST-T異常や心筋梗塞などの臨床的に困難な症例まで及ぶ。 以上の結果から,心電図を構造化言語として考えることで,拡張性および生理学的に整合した心機能解析が可能であることが示唆された。

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)
• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• CardioPatternFormer: Pattern-Guided Attention for Interpretable ECG Classification with Transformer Architecture [0.40964539027092906]
  解釈可能なECG分類のためのトランスフォーマーモデルであるCardioPatternFormerを提案する。 多様な心臓パターンを正確に識別し分類するために、洗練された注意機構を用いる。 微妙な異常を識別し、複数の共起条件を識別する。
  論文  参考訳（メタデータ） (2025-05-26T19:36:58Z)
• Reading Your Heart: Learning ECG Words and Sentences via Pre-training ECG Language Model [25.131870247201636]
  我々は心電図信号の新たな視点を導入し、心拍を単語として扱い、リズムを文として扱う。 次に、ECG言語処理のための新しい自己教師型学習フレームワークHeartLangを提案する。 これまでで最大の心拍ベースの心電図語彙を構築し、心電図言語処理の開発をさらに進める。
  論文  参考訳（メタデータ） (2025-02-15T07:40:57Z)
• 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)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method for ECG signal [19.885905393439014]
  本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。 この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。 提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2023-10-01T23:17:55Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
  多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。 これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。 F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
  論文  参考訳（メタデータ） (2023-04-13T03:20:45Z)

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。