論文の概要: ECG-Lens: Benchmarking ML & DL Models on PTB-XL Dataset
- arxiv url: http://arxiv.org/abs/2604.15822v1
- Date: Fri, 17 Apr 2026 08:20:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.81728
- Title: ECG-Lens: Benchmarking ML & DL Models on PTB-XL Dataset
- Title（参考訳）: ECG-Lens: PTB-XLデータセット上でのMLとDLモデルのベンチマーク
- Authors: Saloni Garg, Ukant Jadia, Amit Sagtani, Kamal Kant Hiran,
- Abstract要約: 本研究では,従来の3つの機械学習アルゴリズムと,ECG信号の分類のための3つのディープラーニングモデルを比較した。
ECGLensモデルは、80%の分類精度と90%のROC-AUCで最高性能を達成した。
- 参考スコア（独自算出の注目度）: 0.06363400715351396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated classification of electrocardiogram (ECG) signals is a useful tool for diagnosing and monitoring cardiovascular diseases. This study compares three traditional machine learning algorithms (Decision Tree Classifier, Random Forest Classifier, and Logistic Regression) and three deep learning models (Simple Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Complex CNN (ECGLens)) for the classification of ECG signals from the PTB-XL dataset, which contains 12-lead recordings from normal patients and patients with various cardiac conditions. The DL models were trained on raw ECG signals, allowing them to automatically extract discriminative features. Data augmentation using the Stationary Wavelet Transform (SWT) was applied to enhance model performance, increase the diversity of training samples, and preserve the essential characteristics of the ECG signals. The models were evaluated using multiple metrics, including accuracy, precision, recall, F1-score, and ROC-AUC. The ECG-Lens model achieved the highest performance, with 80% classification accuracy and a 90% ROC-AUC. These findings demonstrate that deep learning architectures, particularly complex CNNs substantially outperform traditional ML methods on raw 12-lead ECG data, and provide a practical benchmark for selecting automated ECG classification models and identifying directions for condition-specific model development.
- Abstract（参考訳）: 心電図信号の自動分類は心血管疾患の診断・モニタリングに有用である。
本研究では,従来の3つの機械学習アルゴリズム(決定木分類法,ランダムフォレスト分類法,ロジスティック回帰法)と3つの深層学習モデル(単純な畳み込みニューラルネットワーク(CNN),Long Short-Term Memory(LSTM),CNN(ECGLens))を比較した。
DLモデルは生のECG信号に基づいて訓練され、識別的特徴を自動的に抽出する。
定常ウェーブレット変換(SWT)を用いたデータ拡張により,モデル性能の向上,トレーニングサンプルの多様性の向上,ECG信号の本質的特性の維持が図られた。
モデルは精度、精度、リコール、F1スコア、ROC-AUCを含む複数の指標を用いて評価された。
ECG-Lensモデルは、80%の分類精度と90%のROC-AUCで最高性能を達成した。
これらの結果から、ディープラーニングアーキテクチャ、特に複雑なCNNは、生の12リードのECGデータ上で従来のML手法よりも大幅に優れており、自動ECG分類モデルを選択するための実用的なベンチマークと、条件固有のモデル開発のための方向を特定することができる。
関連論文リスト
- Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
心電図による心臓の異常は, 長期分布により検出が困難である。
我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。
本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
論文 参考訳（メタデータ） (2026-03-20T07:04:00Z) - An Attention-Augmented VAE-BiLSTM Framework for Anomaly Detection in 12-Lead ECG Signals [0.0]
12誘導心電図(ECGs)の異常検出は心血管疾患に伴う偏差の同定に重要である。
本稿では,VAE-BiLSTM-MHAアーキテクチャの心電図異常検出への応用について報告する。
論文 参考訳（メタデータ） (2025-10-07T13:30:02Z) - 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) - xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM [14.02717596836022]
本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。
我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
論文 参考訳（メタデータ） (2025-04-14T16:12:46Z) - Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。
本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
論文 参考訳（メタデータ） (2024-12-07T08:29:44Z) - The Rlign Algorithm for Enhanced Electrocardiogram Analysis through R-Peak Alignment for Explainable Classification and Clustering [34.88496713576635]
我々は,サポートベクタマシンや主成分分析などの浅層学習技術をECG信号処理に再導入することを目指している。
そこで我々は,ECG信号を完全に構造化されたフォーマットに効果的に再構成する変換を開発し,評価した。
我々のアプローチは、特に限られたトレーニングデータを扱う場合、CNNよりも浅い機械学習手法に顕著な優位性を示す。
論文 参考訳（メタデータ） (2024-07-22T11:34:47Z) - SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。
注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文 参考訳（メタデータ） (2022-10-31T07:36:48Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。
提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文 参考訳（メタデータ） (2020-05-18T13:13:41Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z)
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。