論文の概要: Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features

• arxiv url: http://arxiv.org/abs/2603.08339v1
• Date: Mon, 09 Mar 2026 12:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.000115
• Title: Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features
• Title（参考訳）: クープマン特徴とウェーブレット特徴を用いた変圧器を用いた心電図分類
• Authors: Sucheta Ghosh, Zahra Monfared,
• Abstract要約: クープマン演算子とウェーブレット変換から導出した特徴を用いた変換器を用いたECG分類について検討する。 以上の結果から,ウェーブレットの特徴は二項分類において優れているが,クープマンの特徴は変圧器と組み合わせることで,4クラス設定において優れた性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 5.352921589912118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiogram (ECG) analysis is vital for detecting cardiac abnormalities, yet robust automated classification is challenging due to the complexity and variability of physiological signals. In this work, we investigate transformer-based ECG classification using features derived from the Koopman operator and wavelet transforms. Two tasks are studied: (1) binary classification (Normal vs. Non-normal), and (2) four-class classification (Normal, Atrial Fibrillation, Ventricular Arrhythmia, Block). We use Extended Dynamic Mode Decomposition (EDMD) to approximate the Koopman operator. Our results show that wavelet features excel in binary classification, while Koopman features, when paired with transformers, achieve superior performance in the four-class setting. A simple hybrid of Koopman and wavelet features does not improve accuracy. However, selecting an appropriate EDMD dictionary -- specifically a radial basis function dictionary with tuned parameters -- yields significant gains, surpassing the wavelet-only baseline and the hybrid wavelet-Koopman system. We also present a Koopman-based reconstruction analysis for interpretable insights into the learned dynamics and compare against a recurrent neural network baseline. Overall, our findings demonstrate the effectiveness of Koopman-based feature learning with transformers and highlight promising directions for integrating dynamical systems theory into time-series classification.
• Abstract（参考訳）: 心電図(ECG)解析は心臓の異常を検出するのに不可欠であるが,生理学的信号の複雑さと変動性から,頑健な自動分類が困難である。 本研究では、クープマン演算子とウェーブレット変換から派生した特徴を用いた変換器を用いたECG分類について検討する。 2次分類(Normal vs. Non-normal)と2次分類(Normal, Atrial Fibrillation, Ventricular Arrhythmia, Block)の2つの課題について検討した。 拡張動的モード分解(EDMD)を用いてクープマン演算子を近似する。 以上の結果から,ウェーブレットの特徴は二項分類において優れているが,クープマンの特徴は変圧器と組み合わせることで,4クラス設定において優れた性能が得られることがわかった。 KoopmanとWaveletの単純なハイブリッドは精度を向上しない。 しかし、適切なEDMD辞書(特に調整されたパラメータを持つラジアル基底関数辞書)を選択すると、ウェーブレットのみのベースラインとハイブリッドウェーブレット-クープマンシステムを上回る大きな利得が得られる。 また、学習力学の解釈可能な洞察のためのクープマンに基づく再構成分析を行い、繰り返しニューラルネットワークのベースラインと比較する。 以上の結果から, 動的システム理論を時系列分類に組み込む上で, コンバータを用いた特徴学習の有効性が示唆された。

関連論文リスト

• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• Doppler Invariant CNN for Signal Classification [0.0]
  本稿では、周波数領域における畳み込みシフトの等価性を利用する複雑な値を持つ畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 ドップラーシフトのない例では, ランダムなドップラーシフトを伴わない場合と, ランダムなドップラーシフトを伴わない場合とで, 本モデルが一貫した分類精度を維持していることを示す。
  論文  参考訳（メタデータ） (2025-11-18T16:31:13Z)
• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
  Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。 1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。 特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
  論文  参考訳（メタデータ） (2025-02-25T18:59:13Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Shift-invariant waveform learning on epileptic ECoG [1.7948767405202701]
  セイズール検出アルゴリズムは、様々な条件下で正常な神経活動から発作に関連する異常な活動を識別しなければならない。 我々は、空間フィルタされた信号のセグメントにシフト不変k平均アルゴリズムを適用し、波形のコードブックを学習する。 発作予測のための解釈可能な特徴を構築するのに使える非正弦波波形が再発しており、生理的にも有意である。
  論文  参考訳（メタデータ） (2021-08-06T15:47:17Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification [0.6117371161379209]
  我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。 このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
  論文  参考訳（メタデータ） (2020-10-15T10:13:31Z)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)

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。