論文の概要: Neural Surrogate Forward Modelling For Electrocardiology Without Explicit Intracellular Conductivity Tensor

• arxiv url: http://arxiv.org/abs/2605.13366v1
• Date: Wed, 13 May 2026 11:26:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.008911
• Title: Neural Surrogate Forward Modelling For Electrocardiology Without Explicit Intracellular Conductivity Tensor
• Title（参考訳）: 実験的細胞内伝導性テンソルを伴わない心電図のための神経サーロゲートフォワードモデリング
• Authors: Shaheim Ogbomo-Harmitt, Cesare Magnetti, Jakub Grzelak, Oleg Aslanidi,
• Abstract要約: 本研究は,左心房細胞内電位から遠野心電図への直接マッピングを推論時に明示的な細胞内伝導性入力を必要とせずに学習する深層学習手法を提案する。 訓練対象は74名に過ぎなかったが、このモデルは0.949 pm 0.037のR2を達成し、構造的不確実性を低減し、非侵襲的なAF評価を改善する可能性を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forward modelling is essential for non-invasive cardiac electrophysiology, particularly in atrial fibrillation, where electrical activation is highly disorganised. Conventional physics-based forward models require explicit specification of intracellular conductivity tensors, which are not directly measurable in clinical practice and introduce structural modelling errors. This proof-of-concept study presents a deep learning approach that learns a direct mapping from left atrial intracellular electrical potentials to far-field ECGs without requiring explicit intracellular conductivity inputs at inference time. Despite training only on 74 subjects, the model achieved an R2 of 0.949 \pm 0.037, highlighting potential to reduce structural uncertainty and improve non-invasive AF assessment.
• Abstract（参考訳）: 正確なフォワードモデリングは非侵襲的心電気生理学的、特に電気的活性化が高度に分解された心房細動に不可欠である。 従来の物理に基づくフォワードモデルでは、細胞内導電性テンソルの明示的な仕様が必要であり、これは臨床では直接測定不可能であり、構造的モデリングエラーを導入している。 本研究は, 左心房電気電位から遠野心電図への直接マッピングを, 細胞内伝導性入力を推論時に必要とせずに学習する深層学習手法を提案する。 74名の被験者にのみトレーニングを行ったにもかかわらず、このモデルは0.949 pm 0.037のR2を達成し、構造的不確実性を低減し、非侵襲的なAF評価を改善する可能性を強調した。

関連論文リスト

• Non-Invasive Reconstruction of Cardiac Activation Dynamics Using Physics-Informed Neural Networks [0.0]
  心活性化パターンを回復するための物理インフォームドニューラルネットワークフレームワークを提案する。 提案手法は, 非線形異方性モデリング, 不均一繊維配向, 支配力学の弱い定式化, 有限要素損失関数を統合して, 物理的制約を直接トレーニングに埋め込む。
  論文  参考訳（メタデータ） (2026-03-04T08:33:16Z)
• 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)
• Explainable Deep Learning-based Classification of Wolff-Parkinson-White Electrocardiographic Signals [0.5473229173811306]
  心臓24領域にまたがる単一症状APの局在化のためのDeep Learning (DL) モデルを提案する。 このモデルでは、95%以上、感度94.32%、特異度99.78%の局所化精度を実現している。 この研究は、心臓のデジタル双生児と説明可能なDLを組み合わせることで、正確で透明で非侵襲的なAPローカライゼーションを可能にする可能性を実証している。
  論文  参考訳（メタデータ） (2025-11-08T11:39:59Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Estimating Cardiac Tissue Conductivity from Electrograms with Fully Convolutional Networks [0.0]
  心房細動(Atrial Fibrillation, AAF)は、心房の電気的不整脈を特徴とする。 AFの有効治療には、心筋の有効伝導率の推定と異常増殖領域の同定が不可欠である。
  論文  参考訳（メタデータ） (2022-12-06T14:37:59Z)
• 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。