論文の概要: Sampling Matters: The Effect of ECG Frequency on Deep Learning-Based Atrial Fibrillation Detection

• arxiv url: http://arxiv.org/abs/2604.16437v1
• Date: Mon, 06 Apr 2026 20:34:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.999166
• Title: Sampling Matters: The Effect of ECG Frequency on Deep Learning-Based Atrial Fibrillation Detection
• Title（参考訳）: サンプリング項目:深層学習による心房細動検出における心電図周波数の影響
• Authors: Arjan Mahmuod, Adrian Rod Hammerstad, Muzaffar Yousef, Yngve Sebastian Heill, Jonas L. Isaksen, Jørgen K. Kanters, Pal Halvorsen, Vajira Thambawita,
• Abstract要約: 我々は、厳密な患者安全クロスバリデーションフレームワークを用いて、標準1次元畳み込みニューラルネットワーク(CNN)とハイブリッドCNN-Long Short-Term Memory(LSTM)アーキテクチャを評価した。 分析の結果,サンプリング周波数が検出指標にアーキテクチャ依存的な影響があることが判明した。 心電図サンプリング周波数は不整脈検出において重要で未承認な要因である。
• 参考スコア（独自算出の注目度）: 0.5618963890305396
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning models for atrial fibrillation (AF) detection are increasingly trained on heterogeneous electrocardiogram (ECG) datasets with varying sampling frequencies, yet the specific consequences of these discrepancies on model performance, calibration, and robustness remain insufficiently characterized. To address this, we conducted a systematic benchmark using 12-lead, 10-second recordings from the PTB-XL dataset, resampled to target frequencies of 62, 100, 250, and 500 Hz, to evaluate a standard 1-D Convolutional Neural Network (CNN) and a hybrid CNN-Long Short-Term Memory (LSTM) architecture under a rigorous patient-safe cross-validation framework. Our analysis reveals that sampling frequency significantly impacts detection metrics in an architecture-dependent manner; the hybrid CNN-LSTM model demonstrated optimal performance and consistent calibration at intermediate frequencies (100-250 Hz), whereas the 1-D CNN baseline exhibited marked degradation in accuracy and sensitivity at 500 Hz, suggesting increased susceptibility to high-frequency noise. We conclude that ECG sampling frequency is a critical, underappreciated factor in arrhythmia detection, and future foundation models must explicitly control for temporal resolution to ensure clinical reliability and reproducibility.
• Abstract（参考訳）: 心房細動(AF)検出のための深層学習モデルは、サンプリング周波数の異なる異種心電図(ECG)データセットでますます訓練されているが、これらの差がモデル性能、校正、頑健性に与える影響は、未だ不十分である。 そこで本研究では,PTB-XLデータセットの12秒間記録を対象周波数62,100,250,500Hzに再サンプリングし,標準1次元畳み込みニューラルネットワーク (CNN) とハイブリッドCNN-Long Short-Term Memory (LSTM) アーキテクチャを,厳密な患者に安全なクロスバリデーションフレームワークで評価した。 CNN-LSTMモデルでは、中間周波数(100-250Hz)における最適性能と一貫した校正性能を示したが、1次元CNNベースラインでは500Hzの精度と感度が著しく低下し、高周波雑音に対する感受性が向上した。 我々は,心電図のサンプリング頻度は不整脈検出において重要で未熟な要因であり,将来の基礎モデルは臨床信頼性と再現性を確保するために時間分解能を明示的に制御する必要があると結論付けた。

関連論文リスト

• Atrial Fibrillation Detection Using Machine Learning [3.5522386235856582]
  心房細動(AF)は、一般的な不整脈であり、虚血性脳卒中の主要な危険因子である。 本稿では,ECG信号とECG信号の同時検出のための10倍の機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-20T07:30:08Z)
• H-Infinity Filter Enhanced CNN-LSTM for Arrhythmia Detection from Heart Sound Recordings [0.7394388288509157]
  心臓不整脈の早期発見は, 心疾患の重症化を予防する。 ディープラーニングは不整脈検出を自動化する強力なツールとして登場した。 CNN-H-Infinity-LSTMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-11-04T09:00:17Z)
• TF-TransUNet1D: Time-Frequency Guided Transformer U-Net for Robust ECG Denoising in Digital Twin [16.693268731997996]
  U-NetベースのエンコーダデコーダアーキテクチャとTransformerエンコーダを統合した,新しい1次元ディープニューラルネットワークTF-TransUNet1Dを提案する。 このモデルは、局所的な形態的特徴と長距離時間的依存関係を同時に捉えるように設計されている。 高精度デノゲーションを提供することで、この作業は心臓のデジタル双生児のための前処理パイプラインにおいて重要なギャップを埋める。
  論文  参考訳（メタデータ） (2025-08-28T03:51:19Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Classification of ECG based on Hybrid Features using CNNs for Wearable Applications [2.0999222360659604]
  ハイブリッド機能と3つの異なるモデルを用いたECG分類の性能向上を示す。 この研究で提案されたRR間隔の特徴に基づくモデルでは、98.98%の精度が達成され、ベースラインモデルよりも改善された。 周波数特性とRR間隔特性を組み合わせた別のモデルが開発され、ノイズ環境下での良好な持続性能で99%の精度で達成された。
  論文  参考訳（メタデータ） (2022-06-14T12:14:40Z)
• 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。