論文の概要: Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals

• arxiv url: http://arxiv.org/abs/2605.08199v1
• Date: Tue, 05 May 2026 22:03:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.455301
• Title: Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals
• Title（参考訳）: ウェアラブル心信号を用いたハイブリッド変圧器を用いたドメイン適応不整脈分類
• Authors: Maedeh H. Toosi, Siamak Mohammadi,
• Abstract要約: 本研究では、7つの心拍変動特性(HRV)とともに連続的な心電図信号を処理するハイブリッドトランスフォーマーモデルを提案する。 我々は、最大平均離散性(MMD)を含む表現学習技術を用いて、ソースとターゲットドメイン間の特徴分布を整列する。 未確認領域のウェアラブルデバイスデータでテストすると、F1マクロ95%の精度と96.15%のバランスの取れた精度を達成した。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cardiovascular disease remains the leading cause of death globally, underscoring the need for effective, accessible monitoring solutions, particularly through wearable devices that enable continuous, real-time tracking of heart rhythms in home settings. However, deploying deep learning models trained on clinical electrocardiogram (ECG) datasets to wearable devices remains challenging, as differences in recording equipment, signal quality, and patient populations introduce domain shifts that degrade model performance. We propose a hybrid transformer model that processes continuous ECG signals alongside seven heart rate variability (HRV) features, where the raw signal path captures beat-level morphological patterns and the HRV path encodes rhythm regularity statistics, allowing the model to jointly leverage complementary information from both representations. To enhance the model's ability to generalize across domains, we employ representation learning techniques, including Maximum Mean Discrepancy (MMD), a non-parametric kernel-based metric that quantifies the distance between feature distributions of different domains, to align feature distributions between source and target domains, addressing the challenge of domain shifts between public datasets and wearable device data. By leveraging five public ECG datasets for training, the model learns robust, generalized representations that mitigate domain-specific biases. When tested on wearable device data with an unseen domain, the model achieved an F1-macro 95% and balanced accuracy of 96.15%. These results demonstrate minimal performance degradation, with only a 2% drop in F1-macro compared to seen-domain evaluation, highlighting the model's generalization capabilities and its potential for reliable, real-time heart monitoring applications in home and ambulatory settings.
• Abstract（参考訳）: 心臓血管疾患は世界中で死の主な原因であり、特に家庭における心臓リズムの連続的、リアルタイム追跡を可能にするウェアラブルデバイスを通じて、効果的でアクセスしやすいモニタリングソリューションの必要性を強調している。 しかし、臨床心電図(ECG)データセットに基づいてトレーニングされたディープラーニングモデルをウェアラブルデバイスに展開することは、記録装置、信号品質、患者集団の違いがモデル性能を低下させるドメインシフトをもたらすため、依然として困難である。 本研究では、7つの心拍変動(HRV)特徴とともに連続心電図信号を処理するハイブリッドトランスフォーマーモデルを提案する。そこでは、生信号経路がビートレベルの形態パターンを捉え、HRV経路がリズム規則性統計を符号化し、両表現から相補的な情報を共同で利用できるようにする。 ドメインをまたいでモデルを一般化する能力を高めるために、異なるドメインの特徴分布間の距離を定量化する非パラメトリックなカーネルベースメトリックであるMaximum Mean Discrepancy(MMD)などの表現学習技術を採用し、ソースとターゲットドメイン間の特徴分布を整列させ、パブリックデータセットとウェアラブルデバイスデータ間のドメインシフトの課題に対処する。 トレーニングに5つのパブリックECGデータセットを活用することで、モデルは、ドメイン固有のバイアスを軽減する、堅牢で一般化された表現を学ぶ。 未確認領域のウェアラブルデバイスデータでテストすると、F1マクロ95%の精度と96.15%のバランスの取れた精度を達成した。 これらの結果から,F1-macroはF1-macroの2%の低下しか見られず,F1-macroの一般化能力と,ホームおよびアンブロトリー環境における信頼性の高いリアルタイム心臓モニタリングアプリケーションの可能性を強調した。

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)
• 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)
• Pretraining Transformer-Based Models on Diffusion-Generated Synthetic Graphs for Alzheimer's Disease Prediction [0.0]
  本稿では,合成データ生成とグラフ表現学習と伝達学習を組み合わせたTransformerベースの診断フレームワークを提案する。 実世界のNACCデータセットを用いて、クラス条件付き拡散確率モデル(DDPM)を訓練し、大規模な合成コホートを生成する。 モダリティ固有のグラフトランスフォーマーエンコーダは、まずこの合成データに基づいて、堅牢なクラス識別表現を学習する。
  論文  参考訳（メタデータ） (2025-11-24T19:34:53Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• U-R-VEDA: Integrating UNET, Residual Links, Edge and Dual Attention, and Vision Transformer for Accurate Semantic Segmentation of CMRs [0.0]
  深層学習に基づく拡張UNetモデルU-R-Vedaを提案する。 このモデルは心臓磁気共鳴(CMR)画像のセマンティックセグメンテーションを著しく改善する。 その結果,U-R-Vedaの平均精度は95.2%であった。
  論文  参考訳（メタデータ） (2025-06-25T04:10:09Z)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• 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)
• Cross-Database and Cross-Channel ECG Arrhythmia Heartbeat Classification Based on Unsupervised Domain Adaptation [0.0]
  ドメイン間の特徴差の最適化に基づくドメイン適応型ディープネットワークを提案する。 本手法は,事前学習,クラスタ中心計算,適応の3段階からなる。 提案手法は, 異所性ビート検出における他の最先端手法と比較して, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T13:46:49Z)

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。