Fugu-MT 論文翻訳(概要): ECG-NAT: A Self-supervised Neighborhood Attention Transformer for Multi-lead Electrocardiogram Classification

論文の概要: ECG-NAT: A Self-supervised Neighborhood Attention Transformer for Multi-lead Electrocardiogram Classification

arxiv url: http://arxiv.org/abs/2605.13194v1
Date: Wed, 13 May 2026 08:50:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-14 23:30:27.926461
Title: ECG-NAT: A Self-supervised Neighborhood Attention Transformer for Multi-lead Electrocardiogram Classification
Title（参考訳）: マルチリード心電図分類のための自己監督型近傍注意変換器ECG-NAT
Authors: Mahsa Gazeran, Sayvan Soleymanbaigi, Fatemeh Daneshfar, Amjad Seyedi, Fardin Akhlaghian Tab,
Abstract要約: ECG信号は、きめ細かいビートレベルの形態とより広いリズムレベルの依存関係を同時にキャプチャするアーキテクチャを必要とする。本稿では心電図近傍注意変換器(ECG-NAT)を提案する。 ECG-NATはベンチマークデータセット上で、1%のラベル付きデータを使用して88.1%の精度で堅牢なパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 4.904219291349455
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electrocardiogram (ECG) arrhythmia classification remains challenging due to signal variability, noise, limited labeled data, and the difficulty in achieving both accuracy and efficiency in models. While self-supervised learning reduces label dependency, most methods target either global contextual features or local morphological patterns, but rarely implement hierarchical multi-scale feature extraction. ECG signals require architectures that simultaneously capture fine-grained beat-level morphology and broader rhythm-level dependencies with computational efficiency. To overcome this limitation, this paper proposes the Electrocardiogram Neighborhood Attention Transformer (ECG-NAT), a novel self-supervised learning approach tailored for multi-lead ECG classification. Our two-stage approach begins with generative pretraining, using a masked autoencoder to reconstruct partially masked ECG signals across multiple diverse datasets, enabling the model to learn robust, domain-invariant representations from unlabeled data. This is followed by discriminative fine-tuning with a dual-loss function that combines supervised contrastive and cross-entropy losses, aligning representation learning with label prediction. The hierarchical attention mechanism efficiently captures multi-scale temporal features from localized beat morphology to broader rhythm patterns at low computational cost. ECG-NAT achieves robust performance on benchmark datasets, with 88.1\% accuracy using only 1\% labeled data, demonstrating strong efficacy in low-resource settings. The framework combines superior classification performance with computational efficiency, making it practical for real-time ECG diagnosis. The code will be made available upon acceptance at: https://github.com/Mahsagazeran/ECG-NAT.
Abstract（参考訳）: 心電図の不整脈分類は,信号のばらつき,ノイズ,ラベル付きデータ制限,精度と効率の両立が難しいため,依然として困難である。自己教師付き学習はラベル依存を減らすが、ほとんどの手法はグローバルな文脈的特徴または局所的な形態的パターンのいずれかをターゲットにしているが、階層的なマルチスケールの特徴抽出を実装することは滅多にない。 ECG信号は、微粒なビートレベルの形態とより広いリズムレベルの依存関係を計算効率で同時にキャプチャするアーキテクチャを必要とする。この制限を克服するために,マルチリードECG分類に適した新しい自己教師型学習手法である心電図近傍注意変換器(ECG-NAT)を提案する。我々の2段階のアプローチは、マスク付きオートエンコーダを使用して、複数の多様なデータセットにわたって部分的にマスクされたECG信号を再構築することで、モデルがラベルのないデータから堅牢でドメイン不変な表現を学習できるようにすることで、生成前のトレーニングから始まります。これに続いて、教師付きコントラストとクロスエントロピーの損失を組み合わせ、表現学習とラベル予測を整合させるデュアルロス関数による識別的微調整を行う。階層的注意機構は、局所的なビート形態からより広いリズムパターンまで、計算コストの低いマルチスケールの時間的特徴を効率的に捕捉する。 ECG-NATは1\%のラベル付きデータのみを使用して88.1\%の精度でベンチマークデータセット上で堅牢なパフォーマンスを実現し、低リソース環境では強力な有効性を示す。このフレームワークは優れた分類性能と計算効率を組み合わせ、リアルタイム心電図診断に実用的である。コードは https://github.com/Mahsagazeran/ECG-NAT で受け付ける。

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)
EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model [46.84040404474695]
EnECGは、複数の特別な基礎モデルを統合するアンサンブルベースのフレームワークであり、それぞれECG解釈の異なる側面で優れている。本稿では,基礎モデルの強力な表現力を維持しつつ,計算・メモリコストの削減に寄与することを示す。このフレームワークは特徴抽出と予測性能を向上するだけでなく、実際の臨床応用に実用的な効率性も確保する。
論文参考訳（メタデータ） (2025-11-28T07:22:33Z)
ECGXtract: Deep Learning-based ECG Feature Extraction for Automated CVD Diagnosis [0.0]
本稿では,深層学習に基づくECG特徴抽出手法ECGXtractを提案する。我々は, 時間的特徴と形態的特徴の両方を, 臨床的に検証された真実と強く相関して抽出できる畳み込みニューラルネットワークモデルを開発した。以上の結果から,ECGXtractは平均相関スコアが0.80であり,世界的特徴の根本的真理であり,リードIIが常に最高の結果をもたらすことが示唆された。
論文参考訳（メタデータ） (2025-10-27T12:53:08Z)
xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM [14.02717596836022]
本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
論文参考訳（メタデータ） (2025-04-14T16:12:46Z)
Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection [5.614826802517409]
MMAE-ECGはECG信号を非重複セグメントに分割し、各セグメントは学習可能な位置埋め込みを割り当てる。新しいマルチスケールマスキング戦略とマルチスケールアテンション機構は、異なる位置埋め込みとともに、軽量なトランスフォーマーエンコーダを実現する。
論文参考訳（メタデータ） (2025-02-08T08:18:38Z)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
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)
SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。我々は,マルチリード信号を2次元行列として扱うことを提案する。提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文参考訳（メタデータ） (2020-12-10T08:37:44Z)
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)
Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
論文参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。