論文の概要: DeepArrhythmia: Segment-Contextualized ECG Arrhythmia Classification via Selective Evidence Acquisition
- arxiv url: http://arxiv.org/abs/2605.16441v1
- Date: Fri, 15 May 2026 00:42:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:46.4058
- Title: DeepArrhythmia: Segment-Contextualized ECG Arrhythmia Classification via Selective Evidence Acquisition
- Title（参考訳）: Deep Arrhythmia:Segment-Contextualized ECG Arrhythmia Classification by Selective Evidence Acquisition
- Authors: Jiahui Li, Ruili Fang, Zishuai Liu, WenZhan Song, Jin Lu, Fei Dou,
- Abstract要約: DeepArrhythmiaは、セグメンテーションコンテクスト化されたビートレベルのECG不整脈分類のためのマルチモーダル・フレームワークである。
マルチビートECGセグメントが与えられると、DeepArrhythmiaは生のECG信号とレンダリング波形画像を組み合わせてRピークをローカライズしてビートインスタンスを特定し、構造化ビートレベルの予測を生成する。
- 参考スコア（独自算出の注目度）: 5.536753611721675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Beat-level Electrocardiography (ECG) arrhythmia detection aims to assign an arrhythmia class to each beat in a recording, yet many existing systems treat beats as isolated local instances. This is limiting because beat labels often depend on multi-beat rhythm context, including timing, compensatory pauses, and beat-to-beat morphological consistency. We present DeepArrhythmia, a tool-grounded multimodal framework for segment-contextualized beat-level ECG arrhythmia classification. Given a multi-beat ECG segment, DeepArrhythmia combines the raw ECG signal and a rendered waveform image, localizes R peaks to identify beat instances, and produces structured beat-level predictions. The framework decouples physiological measurement from evidence integration using specialized tools for beat localization, numerical rhythm--morphology extraction, and morphology-focused textual analysis. DeepArrhythmia uses segment-level confidence to route between minimal and rich evidence states, since richer physiological evidence is not uniformly useful. This agentic design integrates rhythm context, explicit physiological grounding, and selective evidence acquisition for decision making.
- Abstract（参考訳）: 拍動レベルの不整脈検出(ECG)は、各拍動に不整脈クラスを割り当てることを目的としているが、既存の多くのシステムはビートを孤立した局所例として扱う。
ビートラベルは、タイミング、補償停止、ビート・ツー・ビートの形態的一貫性など、マルチビートリズムのコンテキストに依存することが多いため、これは制限される。
We present DeepArrhythmia, a tool-grounded multimodal framework for segment-contextualized beat-level ECG arrhythmia classification。
マルチビートECGセグメントが与えられると、DeepArrhythmiaは生のECG信号とレンダリング波形画像を組み合わせてRピークをローカライズしてビートインスタンスを特定し、構造化ビートレベルの予測を生成する。
このフレームワークは、ビートローカライゼーション、数値リズム-形態素抽出、形態学に焦点を当てたテキスト分析のための特別なツールを使用して、エビデンス統合から生理的測定を分離する。
DeepArrhythmiaは、よりリッチな生理的証拠が一様に有用ではないため、最小限の証拠と豊富な証拠の間の経路にセグメントレベルの信頼度を用いる。
このエージェントデザインは、リズムコンテキスト、明示的な生理的根拠、意思決定のための選択的証拠獲得を統合している。
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) - RhythmBERT: A Self-Supervised Language Model Based on Latent Representations of ECG Waveforms for Heart Disease Detection [8.583942286312135]
心電図(ECG)解析は心疾患の診断に不可欠である。
ほとんどの自己教師付き学習方法は、ECGを一般的な時系列として扱う。
本稿では,ECGを言語パラダイムとする生成ECG言語モデルであるRhythmBERTを提案する。
論文 参考訳（メタデータ） (2026-02-26T14:45:29Z) - Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。
Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。
Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
論文 参考訳（メタデータ） (2025-06-06T07:56:41Z) - 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) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - Local-Global Temporal Fusion Network with an Attention Mechanism for
Multiple and Multiclass Arrhythmia Classification [26.31920663404757]
本研究では, (i) 局所時間情報抽出, (ii) グローバルパターン抽出, (iii) 局所グローバル情報融合からなるフレームワークを提案する。
提案手法は,情報損失を発生させることなく,ローカル・グローバル情報やダイナミクスをキャプチャできる。
論文 参考訳（メタデータ） (2023-08-03T02:07:32Z) - Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。
これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。
F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
論文 参考訳（メタデータ） (2023-04-13T03:20:45Z) - 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)
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。