論文の概要: Shift-Invariant Feature Attribution in the Application of Wireless Electrocardiograms

• arxiv url: http://arxiv.org/abs/2603.20462v1
• Date: Fri, 20 Mar 2026 19:47:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.925341
• Title: Shift-Invariant Feature Attribution in the Application of Wireless Electrocardiograms
• Title（参考訳）: 無線心電図の応用におけるシフト不変特性の寄与
• Authors: Yalemzerf Getnet, Abiy Tasissa, Waltenegus Dargie,
• Abstract要約: 心電図(ECG)信号の解析では,心電図のどの試料や特徴が寄与しているかを理解することが重要である。 本稿では, 心電図計測の解釈だけでなく, 解析において物理的に重要なシフト不変ベースラインを提案する。 我々は、重要なスコアを心臓の位相にマッピングできるように集約する。
• 参考スコア（独自算出の注目度）: 4.2566707664597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assigning relevance scores to the input features of a machine learning model enables to measure the contributions of the features in achieving a correct outcome. It is regarded as one of the approaches towards developing explainable models. For biomedical assignments, this is very useful for medical experts to comprehend machine-based decisions. In the analysis of electro cardiogram (ECG) signals, in particular, understanding which of the electrocardiogram samples or features contributed most for a given decision amounts to understanding the underlying cardiac phases or conditions the machine tries to explain. For the computation of relevance scores, determining the proper baseline is important. Moreover, the scores should have a distribution which is at once intuitive to interpret and easy to associate with the underline cardiac reality. The purpose of this work is to achieve these goals. Specifically, we propose a shift-invariant baseline which has a physical significance in the analysis as well as interpretation of electrocardiogram measurements. Moreover, we aggregate significance scores in such a way that they can be mapped to cardiac phases. We demonstrate our approach by inferring physical exertion from cardiac exertion using a residual network. We show that the ECG samples which achieved the highest relevance scores (and, therefore, which contributed most to the accurate recognition of the physical exertion) are those associated with the P and T waves. Index Terms Attribution, baseline, cardiovascular diseases, electrocardiogram, activity recognition, machine learning
• Abstract（参考訳）: 機械学習モデルの入力特徴に関連性スコアを割り当てることで、正しい結果を達成する際の特徴の貢献度を測定することができる。 説明可能なモデル開発へのアプローチの1つと見なされている。 バイオメディカルな課題では、これは医療専門家が機械による決定を理解するのに非常に有用である。 心電図(ECG)信号の解析において、特に、心電図のサンプルまたは特徴のどれが与えられた決定に最も寄与したかを理解することは、機械が説明しようとする基礎となる心相や状態を理解することにつながる。 関連スコアの計算には、適切なベースラインを決定することが重要である。 さらに、スコアは直感的に解釈しやすく、心の下の現実と容易に関連付けられる分布を持つべきである。 この研究の目的はこれらの目標を達成することである。 具体的には、心電図計測の解釈と同様に、解析において物理的に重要なシフト不変ベースラインを提案する。 さらに、心相にマッピングできるように、重要度スコアを集約する。 残心ネットワークを用いた心臓運動から身体運動を推定し,本手法を実証する。 以上の結果から,P波とT波に関連付けられたECG試料が最も高い相関性を示した(したがって,身体運動の正確な認識に最も寄与した)。 指標項 属性、ベースライン、心血管疾患、心電図、活動認識、機械学習

関連論文リスト

• Predicting Chest Radiograph Findings from Electrocardiograms Using Interpretable Machine Learning [1.5446094669729622]
  本研究の目的は,心電図の特徴と患者人口層が,解釈可能な機械学習手法を用いて胸部X線写真所見を予測できるかどうかを評価することである。 複数の胸部X線写真所見を, 精度の異なるモデルで予測した。 心電図由来の機能と患者の人口動態が組み合わさって、胸部X線写真所見のプロキシとして機能する。
  論文  参考訳（メタデータ） (2025-09-22T12:18:50Z)
• Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
  深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。 本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
  論文  参考訳（メタデータ） (2025-08-24T10:44:24Z)
• 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)
• Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
  広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。 我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。 CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-23T20:58:12Z)
• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• 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)
• 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)
• Improving ECG Classification Interpretability using Saliency Maps [0.0]
  我々は,MIT-BIH不整脈データセットにおいて,各クラスにまたがるモデル決定を可視化する手法を提案する。 本稿では,一般化可能性やモデル性能に影響を及ぼす可能性のある問題を見つけるために,これらのマップをどのように利用できるかを強調した。
  論文  参考訳（メタデータ） (2022-01-10T16:12:25Z)
• ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks [9.410102957429705]
  本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。 我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。 実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-18T14:55:46Z)
• A Robust Interpretable Deep Learning Classifier for Heart Anomaly Detection Without Segmentation [37.70077538403524]
  心音分類の先行段階として, 心音分節の重要性を論じる。 次に,心臓の異常音検出のための頑健な分類器を提案する。 我々の新しい分類器はまた、広く使われているPhyloNetデータセットでほぼ100%の精度で、堅牢で安定しており、最も重要な説明が可能であることも示されています。
  論文  参考訳（メタデータ） (2020-05-21T06:36:28Z)

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。