Fugu-MT 論文翻訳(概要): Efficient Neural Architectures for Real-Time ECG Interpretation on Limited Hardware

論文の概要: Efficient Neural Architectures for Real-Time ECG Interpretation on Limited Hardware

arxiv url: http://arxiv.org/abs/2605.09848v1
Date: Mon, 11 May 2026 01:02:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:50.450294
Title: Efficient Neural Architectures for Real-Time ECG Interpretation on Limited Hardware
Title（参考訳）: 限られたハードウェア上でのリアルタイムECG解釈のための効率的なニューラルネットワーク
Authors: Ashery Mbilinyi, Callum O'Riley, Julia Handra, Ashley Moller-Hansen, Jason Andrade, Marc Deyell, Cameron Hague, Nathaniel Hawkins, Kendall Ho, Jonathan Leipsic, Roger Tam,
Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)アーキテクチャを実証的に研究し,診断精度と計算効率のトレードオフについて検討する。本稿では,ParallelCNN,ParallelCNNew,SimpleNetの3つの軽量モデルを提案する。我々の実験は、ドイツ、中国、米国から入手可能な12のECGデータセットを3つにまとめたものです。
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: Electrocardiogram (ECG) interpretation is essential for diagnosing a wide range of cardiac abnormalities. While deep learning has shown strong potential for automating ECG classification, many existing models rely on large, computationally intensive architectures that hinder practical deployment. In this paper, we present an empirical study of convolutional neural network (CNN) architectures, exploring tradeoffs between diagnostic accuracy and computational efficiency. We benchmark two established baselines: AttiaNet, a compact model composed of sequential temporal and spatial blocks, and DeepResidualCNN, the winning architecture of the 2021 PhysioNet/Computing in Cardiology Challenge. Building on these, we propose three lightweight models: (i) ParallelCNN, which employs dual temporal and spatial branches for parallel pattern extraction; (ii) ParallelCNNew, a variant with symmetric weight initialization for balanced feature learning; and (iii) SimpleNet, a streamlined architecture that jointly processes temporal and spatial dimensions. Our experiments span three publicly available 12-lead ECG datasets from Germany, China, and the United States, covering binary, multiclass, and multilabel classification tasks across diverse patient populations. We further evaluate the impact of integrating low-cost demographic metadata (age and sex) to improve performance with minimal overhead. To ensure fair comparison, we introduce a unified Efficiency Score that integrates model size, inference speed, memory usage, and AUC performance. By balancing diagnostic performance and efficiency, our models offer a scalable and viable foundation for next-generation AI systems in cardiovascular care.
Abstract（参考訳）: 心電図(ECG)の解釈は、広範囲の心疾患の診断に不可欠である。ディープラーニングはECG分類を自動化する強力な可能性を示しているが、既存のモデルの多くは大規模で計算集約的なアーキテクチャに依存しており、実際の展開を妨げる。本稿では,畳み込みニューラルネットワーク(CNN)アーキテクチャを実証的に研究し,診断精度と計算効率のトレードオフについて検討する。我々は,連続時間ブロックと空間ブロックで構成されるコンパクトモデルであるAttiaNetと,2021年のPhystoNet/Computing in Cardiology Challengeの優勝アーキテクチャであるDeepResidualCNNの2つをベンチマークした。これらに基づいて、我々は3つの軽量モデルを提案する。一並列パターン抽出のための二重時空間分岐を用いた並列CNN (ii)両立特徴学習のための対称重み初期化をもつ変種ParallelCNNew (iii)SimpleNetは、時間次元と空間次元を共同で処理する合理化されたアーキテクチャである。我々の実験は、ドイツ、中国、米国から公開されている12のECGデータセットを3つに分け、多様な患者集団を対象としたバイナリ、マルチクラス、マルチラベルの分類タスクをカバーした。さらに、低コストな人口統計メタデータ(年齢と性別)を統合することで、オーバーヘッドを最小限に抑えてパフォーマンスを向上させる効果について評価する。そこで本研究では,モデルサイズ,推論速度,メモリ使用量,AUC性能を統合した統一効率スコアを提案する。診断性能と効率のバランスをとることで、私たちのモデルは、心臓血管ケアにおける次世代AIシステムにスケーラブルで実行可能な基盤を提供します。

関連論文リスト

MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
論文参考訳（メタデータ） (2026-03-12T07:37:00Z)
Deep Convolutional Architectures for EEG Classification: A Comparative Study with Temporal Augmentation and Confidence-Based Voting [0.40822165794627957]
脳波信号における事象関連電位の分類のためのディープラーニングアーキテクチャの比較研究を行った。共通空間パターン(CSP)を用いた2次元畳み込みニューラルネットワーク(CNN)と、公正な比較のために生データを直接訓練した2次元CNNと、時間的表現を共同でモデル化する3次元CNNの3つの主要なパイプラインを設計し比較する。
論文参考訳（メタデータ） (2026-02-25T20:37:12Z)
Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation [7.708113178862228]
本研究では,自動不整脈分類のためのディープニューラルネットワークアーキテクチャの包括的評価を行う。マイノリティクラスにおけるデータの不足に対処するため、MIT-BIH ArrhythmiaデータセットはGenerative Adversarial Network (GAN)を使用して拡張された。我々は、CNN(Convolutional Neural Networks)、CNNとLong Short-Term Memory(CNN-LSTM)、CNN-LSTM with Attention(CNN-LSTM)、ResNet-1D(ResNet-1D)の4つの異なるアーキテクチャを開発し比較した。
論文参考訳（メタデータ） (2026-02-07T06:56:50Z)
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)
BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
論文参考訳（メタデータ） (2026-01-12T08:37:47Z)
Exploring the Relationship between Brain Hemisphere States and Frequency Bands through Deep Learning Optimization Techniques [3.966519779235704]
本研究は,脳波周波数帯域における様々な畳み込みを用いた性能評価を行い,左右半球の効率的なクラス予測について検討した。 Adagrad と RMSprop は、異なる周波数帯域で一貫して良好に動作し、Adadelta はクロスモデル評価において堅牢な性能を示した。深層ネットワークは複雑なパターンを学習する際の競合性能を示すが、浅い3層ネットワークは精度が低い場合があり、計算効率が向上する。
論文参考訳（メタデータ） (2025-09-17T15:26:45Z)
FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文参考訳（メタデータ） (2024-10-16T16:13:19Z)
TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
論文参考訳（メタデータ） (2024-05-27T05:45:51Z)
Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文参考訳（メタデータ） (2024-01-11T19:07:58Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文参考訳（メタデータ） (2022-12-08T18:59:57Z)

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。