論文の概要: CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy

• arxiv url: http://arxiv.org/abs/2604.11359v1
• Date: Mon, 13 Apr 2026 11:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.514087
• Title: CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy
• Title（参考訳）: CoRe-ECG:コントラスト・リコンストラクティブ・シナジーによる12レベルECGの自己超越表現学習の促進
• Authors: Zehao Qin, Xiaojian Lin, Ping Zhang, Hongliang Wu, Xinkang Wang, Guangling Liu, Bo Chen, Wenming Yang, Guijin Wang,
• Abstract要約: コントラスト的かつ再構成的な事前学習パラダイムであるCoRe-ECGを提案する。 CoRe-ECGは、再構成中にグローバルな表現を整列し、インスタンスレベルの識別信号によって局所的な波形回復を導出する。 本手法は,複数のダウンストリームECGデータセットにまたがる最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 37.81373064028234
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate interpretation of electrocardiogram (ECG) remains challenging due to the scarcity of labeled data and the high cost of expert annotation. Self-supervised learning (SSL) offers a promising solution by enabling models to learn expressive representations from unlabeled signals. Existing ECG SSL methods typically rely on either contrastive learning or reconstructive learning. However, each approach in isolation provides limited supervisory signals and suffers from additional limitations, including non-physiological distortions introduced by naive augmentations and trivial correlations across multiple leads that models may exploit as shortcuts. In this work, we propose CoRe-ECG, a unified contrastive and reconstructive pretraining paradigm that establishes a synergistic interaction between global semantic modeling and local structural learning. CoRe-ECG aligns global representations during reconstruction, enabling instance-level discriminative signals to guide local waveform recovery. To further enhance pretraining, we introduce Frequency Dynamic Augmentation (FDA) to adaptively perturb ECG signals based on their frequency-domain importance, and Spatio-Temporal Dual Masking (STDM) to break linear dependencies across leads, increasing the difficulty of reconstructive tasks. Our method achieves state-of-the-art performance across multiple downstream ECG datasets. Ablation studies further demonstrate the necessity and complementarity of each component. This approach provides a robust and physiologically meaningful representation learning framework for ECG analysis.
• Abstract（参考訳）: 心電図(ECG)の正確な解釈は、ラベル付きデータの不足と専門家アノテーションの高コストのため、依然として困難である。 自己教師付き学習(SSL)は、モデルがラベルのない信号から表現表現を学習できるようにすることで、有望なソリューションを提供する。 既存のECG SSLメソッドは、典型的にはコントラスト学習または再構成学習のいずれかに依存している。 しかしながら、分離された各アプローチは、限られた監督信号を提供し、非生理学的な歪みや、モデルがショートカットとして活用する複数のリードにまたがる自明な相関など、追加の制限を被る。 本研究では,グローバルセマンティックモデリングと局所構造学習の相乗的相互作用を確立するためのコントラスト的・再構成型事前学習パラダイムであるCoRe-ECGを提案する。 CoRe-ECGは、再構成中にグローバルな表現を整列し、インスタンスレベルの識別信号によって局所的な波形回復を導出する。 事前トレーニングをさらに強化するため,周波数領域の重要性に基づいて心電図信号を適応的に摂動させるためにFDA( Frequency Dynamic Augmentation)を導入し,リード間の線形依存を断ち切るためにSTDM(Spatio-Temporal Dual Masking)を導入し,再建作業の難しさを増大させた。 本手法は,複数のダウンストリームECGデータセットにまたがる最先端の性能を実現する。 アブレーション研究は、各成分の必要性と相補性をさらに示している。 このアプローチは、ECG分析のための堅牢で生理学的に意味のある表現学習フレームワークを提供する。

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)
• Versatile and Risk-Sensitive Cardiac Diagnosis via Graph-Based ECG Signal Representation [29.353421682331327]
  VersAtile と Risk-Sensitive の心臓診断では、不均一な心電図信号を均一にモデル化するためにグラフベースの表現を用いる。 VarSは、心電図信号を、重要な診断特徴を捉えた汎用的なグラフ構造に変換することで際立っている。 VarSは、特定のモデル出力につながる正確な波形をピンポイントすることで、解釈可能性を提供する。
  論文  参考訳（メタデータ） (2025-11-11T08:35:50Z)
• High-Fidelity Synthetic ECG Generation via Mel-Spectrogram Informed Diffusion Training [3.864395218585964]
  リアル患者心電図(ECG)データの共有に関するプライバシー制限により、心臓ケアのための機械学習の開発が妨げられる。 本研究は、現在の生成ECG法における2つの大きな欠点に対処する。 条件付き拡散に基づく構造化状態空間モデル (Structured State Space Model, SSSD-ECG) を2つの原則により構築する。
  論文  参考訳（メタデータ） (2025-10-07T01:14:53Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• ECGrecover: a Deep Learning Approach for Electrocardiogram Signal Completion [1.727597257312416]
  我々は、(i)ECGリード内の欠落した信号セグメントを再構築し、(ii)別のユニークなリードで信号からすべてのリードを回収する、という2つの主要なシナリオに焦点を当てる。 本稿では,新しい合成目的関数に基づくニューラルネットワークモデルであるECGrecoverを提案する。
  論文  参考訳（メタデータ） (2024-05-31T15:17:12Z)
• NERULA: A Dual-Pathway Self-Supervised Learning Framework for Electrocardiogram Signal Analysis [5.8961928852930034]
  本稿では,シングルリードECG信号を対象とした自己教師型フレームワークNERULAを提案する。 NERULAのデュアルパスウェイアーキテクチャは、心電図再構成と非コントラスト学習を組み合わせて、詳細な心臓の特徴を抽出する。 学習スペクトルに生成経路と識別経路を組み合わせることで、様々なタスクにおいて最先端の自己教師付き学習ベンチマークより優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-21T14:01:57Z)

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。