論文の概要: ECG-biometrics-bench: A Unified Framework for Reproducible Benchmarking of ECG Biometrics

• arxiv url: http://arxiv.org/abs/2605.01548v1
• Date: Sat, 02 May 2026 17:31:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.825745
• Title: ECG-biometrics-bench: A Unified Framework for Reproducible Benchmarking of ECG Biometrics
• Title（参考訳）: ECGバイオメトリックスベンチ:ECGバイオメトリックスの再現可能なベンチマークのための統一フレームワーク
• Authors: Milad Parvan,
• Abstract要約: 心電図(ECG)バイオメトリックスは、ウェアラブルシステムにおいて、持続的で生きた認証のための有望なモダリティとして登場した。 我々は、広く使用されている7つのパブリックECGデータセットの事前処理、セグメンテーション、評価を標準化する、モジュラーで再現可能なベンチマークフレームワークであるECG-biometrics-benchを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electrocardiogram (ECG) biometrics have emerged as a promising modality for continuous, liveness-aware authentication in wearable systems. However, many prior studies report overly optimistic results due to data leakage (e.g., random splits within the same session). To address this issue, we introduce ECG-biometrics-bench, a modular, reproducible benchmarking framework that standardizes preprocessing, segmentation, and evaluation across seven widely used public ECG datasets spanning clinical, ambulatory, and large-scale cohort settings. The framework supports both closed-set and open-set (i.e., subject-disjoint generalization in this work) evaluation, as well as progressively realistic protocols including cross-session and long-term temporal separation. To facilitate reproducible research in the community, the ECG-biometrics-bench repository will be made publicly accessible on GitHub upon the acceptance of this manuscript. Through a comprehensive multi-dataset analysis, we expose the Random Split Fallacy, demonstrating that intra-session evaluation protocols artificially inflate performance while masking severe degradation caused by temporal drift and unseen identities. Furthermore, by evaluating multiple architectures, including DeepECG, ResNet1D, and CNN-LSTM, we show that these failures are not model-specific but are likely inherent to current supervised feature-learning paradigms. Finally, we demonstrate that performance degradation due to temporal aging can be partially mitigated through a heavy enrollment, lightweight authentication strategy based on dynamic multi-session template fusion. These findings establish a more realistic baseline for ECG biometrics and highlight critical challenges that must be addressed for reliable real-world deployment.
• Abstract（参考訳）: 心電図(ECG)バイオメトリックスは、ウェアラブルシステムにおいて、持続的で生きた認証のための有望なモダリティとして登場した。 しかし、多くの先行研究は、データ漏洩による楽観的な結果(例えば、同じセッション内でランダムな分割)を報告している。 この問題に対処するため,我々は,前処理,セグメンテーション,評価を標準化する,モジュール化された再現可能なベンチマークフレームワークであるECG-biometrics-benchを紹介した。 このフレームワークは、クローズド・セットとオープン・セットの両方(つまり、この研究における主観的な一般化)の評価をサポートし、また、クロス・セッションや長期の時間的分離を含む進歩的な現実的なプロトコルもサポートする。 コミュニティでの再現可能な調査を容易にするため、ECG-biometrics-benchリポジトリは、この原稿が受け入れられるとGitHubで公開される。 総合的なマルチデータセット分析により, 時間的ドリフトと未知のアイデンティティによる深刻な劣化を隠蔽しながら, セッション内評価プロトコルが人工的に性能を低下させることを示した。 さらに、DeepECG、ResNet1D、CNN-LSTMを含む複数のアーキテクチャを評価することで、これらの障害はモデル固有のものではなく、現在の教師付き特徴学習パラダイムに固有のものであることを示す。 最後に, 動的マルチセッションテンプレート融合に基づく高次認証戦略により, 時間劣化による性能劣化を部分的に軽減できることを実証した。 これらの知見は、ECGバイオメトリックスのより現実的なベースラインを確立し、信頼性の高い実世界の展開に対処する必要がある重要な課題を強調している。

関連論文リスト

• Membership Inference Attacks Expose Participation Privacy in ECG Foundation Encoders [3.4920018472301866]
  自己教師付き学習で事前訓練されたファンデーションスタイルのECGエンコーダは、タスク、機関、デプロイメントコンテキストにまたがって再利用されるようになっている。 特定の個人またはコホートが、原波形や診断ラベルが公表されていない場合でも、プレトレーニングにECGデータを寄与したかどうかを、相手は推測できるだろうか? 本稿では,現代の自己管理型ECGファウンデーションエンコーダに対するメンバシップ推論攻撃の実施基盤監査について述べる。
  論文  参考訳（メタデータ） (2026-04-12T02:45:16Z)
• How Much Temporal Modeling is Enough? A Systematic Study of Hybrid CNN-RNN Architectures for Multi-Label ECG Classification [1.8119312186036625]
  本研究は,心電図分類における深層および累積再帰的アーキテクチャの必要性と臨床正当性を評価するものである。 単一のBiLSTM層に統合されたCNNは、予測性能とモデル複雑性の最も好ましいトレードオフを実現する。 これらの結果から,心電図信号の内在的時間構造とのアーキテクチャ的整合性は,再帰的深度を増大させるのではなく,頑健な性能を決定づける重要な要因であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-25T17:29:13Z)
• ECG-RAMBA: Zero-Shot ECG Generalization by Morphology-Rhythm Disentanglement and Long-Range Modeling [0.6875312133832079]
  ECG-RAMBAは、形態学とリズムを分離し、文脈認識融合を通じてそれらを再統合するフレームワークである。 PTB-XLで一貫したクロスデータセット性能を示す。
  論文  参考訳（メタデータ） (2025-12-29T10:14:52Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation [53.94176748542936]
  本稿では、インスタンスレベルの正確な核分割のためのインスタンス対応ロバスト整合性正規化ネットワーク(IRCR-Net)を提案する。 病理画像に核形態学的な先行知識を取り入れ,これらの先行知識を用いてラベルのないデータから生成された擬似ラベルの品質を評価する。
  論文  参考訳（メタデータ） (2025-10-10T12:32:32Z)
• 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)
• CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
  CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。 このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。 テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T06:31:08Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• 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)

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。