論文の概要: Enhancing AI-Based ECG Delineation with Deep Learning Denoising Techniques
- arxiv url: http://arxiv.org/abs/2605.03183v1
- Date: Mon, 04 May 2026 21:52:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.660233
- Title: Enhancing AI-Based ECG Delineation with Deep Learning Denoising Techniques
- Title（参考訳）: ディープラーニングによるAIベースのECG記述の強化
- Authors: Jeff Breeding-Allison, Emil Walleser,
- Abstract要約: 本研究では,犬心電図分析のための前処理ステップとして,自動エンコーダに基づくニューラルネットワークモデルとECG復調訓練戦略を提案する。
このモデルは、ノイズ入力からクリーンな心臓信号を再構築し、診断上重要な波形を劣化させることなく効果的なノイズ低減を可能にするよう訓練されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating canine electrocardiograms (ECGs) is challenging due to noise that can obscure clinically relevant cardiac electrical activity. Common sources of interference include respiration, muscle activity, poor lead contact, and external electrical artifacts. Classical signal denoising techniques, such as filtering and wavelet-based methods, struggle to suppress diverse noise patterns while preserving morphological features critical for accurate ECG delineation. We propose an autoencoder-based neural network model and training strategy for ECG denoising as a preprocessing step for canine ECG analysis. The model is trained to reconstruct clean cardiac signals from noisy inputs, enabling effective noise reduction without degrading diagnostically important waveforms. Our approach demonstrates strong performance across both noisy and clean ECG recordings, indicating robustness to varying signal conditions and suitability for downstream delineation tasks.
- Abstract（参考訳）: 犬の心電図 (ECGs) の評価は, 臨床的に心電活動が不明瞭なため困難である。
主な干渉源は呼吸、筋活動、鉛接触不良、外部の電気工芸品などである。
フィルタやウェーブレットに基づく手法のような古典的な信号復調技術は、正確なECGデライン化に不可欠な形態的特徴を保ちながら、多様なノイズパターンを抑えるのに苦労する。
本研究では,犬心電図分析のための前処理ステップとして,自動エンコーダに基づくニューラルネットワークモデルとECG復調訓練戦略を提案する。
このモデルは、ノイズ入力からクリーンな心臓信号を再構築し、診断上重要な波形を劣化させることなく効果的なノイズ低減を可能にするよう訓練されている。
提案手法は, ノイズ, クリーンなECG記録の両面において強靭な性能を示し, 信号条件の変動に対する頑健さと, 下流デライン処理の適性を示す。
関連論文リスト
- Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos [53.368813255127115]
既存の自己教師型手法は、ECGをシングルビューエコーに整列させることで、表現ミスマッチに悩まされる。
本稿では,心電図表現を多視点エコーで捉えることで,心電図表現を充実させるマルチモーダル自己教師型学習フレームワークであるEcho2ECGを提案する。
臨床的に関係のある2つの課題に対して,Echo2ECGをECG特徴抽出器として評価した。
論文 参考訳（メタデータ） (2026-03-09T15:39:57Z) - 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) - A Complex UNet Approach for Non-Invasive Fetal ECG Extraction Using Single-Channel Dry Textile Electrodes [40.11095094521714]
胎児心電図(fECG)は、臨床環境を超えて胎児の健康を評価するための有望なツールである。
このセットアップは、fECG信号の正確な抽出を複雑にするノイズやモーションアーチファクトの増加など、多くの課題を提示している。
ドライテキスタイル電極を用いた単チャンネル記録からAI技術を用いてfECGを抽出する先駆的手法を提案する。
論文 参考訳（メタデータ） (2025-06-16T20:35:52Z) - Diffusion-Based Electrocardiography Noise Quantification via Anomaly Detection [2.741077302469742]
ECGノイズに対処する既存の手法は、アーティファクト分類やデノナイジングに依存しており、アノテーションの不整合と一般化性に制約されている。
クリーンなECG信号の正規分布をモデル化する拡散型フレームワークを提案し, 明示的なアーティファクトラベルを必要とせず, 偏差をノイズとして識別する。
論文 参考訳（メタデータ） (2025-06-13T14:19:04Z) - Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。
心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。
これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
論文 参考訳（メタデータ） (2025-05-28T12:45:39Z) - ECGDeDRDNet: A deep learning-based method for Electrocardiogram noise removal using a double recurrent dense network [1.7799340858082906]
ECG信号は、ベースラインドウイング(BW)、筋肉アーチファクト(MA)、電極運動(EM)などのノイズによって頻繁に劣化する。
本稿では,Double Recurrent Dense Networkアーキテクチャを利用したディープラーニングベースのECG DenoisingフレームワークであるECGDeDRDNetを提案する。
論文 参考訳（メタデータ） (2025-04-23T03:22:46Z) - Recovering Pulse Waves from Video Using Deep Unrolling and Deep Equilibrium Models [45.94962431110573]
カメラによるバイタルサインのモニタリング、つまりイメージング光胸腺撮影(i)は、運転監視、情動コンピューティングなどに応用されている。
本稿では,逆問題における信号処理と深層学習を組み合わせた手法を提案する。
論文 参考訳（メタデータ） (2025-03-21T16:11:21Z) - MECG-E: Mamba-based ECG Enhancer for Baseline Wander Removal [23.040957989796155]
我々は,マンバをベースとしたECGエンハンサー(MECG-E)という新しいECGデノベーションモデルを提案する。
MECG-Eは、様々なノイズ条件下で、複数のメトリクスにまたがる、よく知られた既存モデルを上回る。
最先端の拡散に基づくECGデノイザよりも推論時間が少ない。
論文 参考訳（メタデータ） (2024-09-27T15:22:44Z) - Bayesian ECG reconstruction using denoising diffusion generative models [11.603515105957461]
健常心電図(ECG)データを用いて訓練したDDGM(denoising diffusion generative model)を提案する。
以上の結果から, この革新的な生成モデルにより, 現実的なECG信号を生成できることが示唆された。
論文 参考訳（メタデータ） (2023-12-18T15:56:21Z) - Representing and Denoising Wearable ECG Recordings [12.378631176671773]
ウェアラブルセンサから得られるECGの構造的ノイズ過程をシミュレートする統計モデルを構築した。
変動解析のためのビート・ツー・ビート表現を設計し,心電図を識別する因子分析に基づく手法を提案する。
論文 参考訳（メタデータ） (2020-11-30T21:33:11Z) - 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。