論文の概要: Extending Pretrained 10-Second ECG Foundation Models to Longer Horizons

• arxiv url: http://arxiv.org/abs/2605.16975v1
• Date: Sat, 16 May 2026 12:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.399572
• Title: Extending Pretrained 10-Second ECG Foundation Models to Longer Horizons
• Title（参考訳）: 10秒間ECGファンデーションモデルの長期化
• Authors: Wei Tang, Jinpei Han, Kangning Cui, Mattia Carletti, Fredrik K. Gustafsson, Shreyank N Gowda, Patitapaban Palo, Anshul Thakur, Lei Clifton, Jean-michel Morel, Raymond H. Chan, David A. Clifton, Xiao Gu,
• Abstract要約: 典型的診断10秒心電図を用いた心電図基礎モデル(ECG)は,様々な臨床応用において強い伝達性を示した。 本稿では,事前学習したECGファンデーションモデルを,バックボーンを再学習することなく,長大かつ可変長のECGに拡張するパラメータ効率フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.63313202923187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiogram (ECG) foundation models pretrained on typical diagnostic 10-second ECG segments, have demonstrated strong transferability across a range of clinical applications. However, many real-world applications produce recordings that are typically longer, and are varied in duration during inference time. These 10-second models have no built-in way to combine information across time. Extending them to longer horizons introduces two challenges: structural incompatibilities arising from input-length disparities, and semantic challenges that limit meaningful temporal aggregation. We propose a parameter-efficient framework that extends pretrained ECG foundation models to longer and variable-length ECGs without retraining the backbone. Guided by a frozen pretrained 10-second model, we introduce a lightweight plug-in module that extends the model in two complementary ways: (i) structurally compatible long-sequence processing and (ii) semantically informed temporal modeling. Experiments on multiple long-horizon ECG tasks, datasets, and foundation model backbones demonstrate that our method enables robust long-horizon extension from pretrained snapshot models, consistently outperforming sliding-window and pooling-based baselines with strong parameter efficiency.
• Abstract（参考訳）: 典型的診断10秒心電図を用いた心電図基礎モデル(ECG)は,様々な臨床応用において強い伝達性を示した。 しかし、現実のアプリケーションの多くは、通常より長いレコードを生成し、推論時間の間に時間的に変化している。 これらの10秒モデルには、時間をかけて情報を結合する方法が組み込まれていない。 長い地平線に拡張することは、入力長の相違から生じる構造的不整合性と、意味のある時間的集約を制限する意味的な課題の2つの課題をもたらす。 本稿では,事前学習したECGファンデーションモデルを,バックボーンを再学習することなく,長大かつ可変長のECGに拡張するパラメータ効率フレームワークを提案する。 凍結したプレトレーニング10秒モデルによってガイドされ,2つの補完的な方法でモデルを拡張した軽量プラグインモジュールを導入する。 一 構造的に整合した長系列処理及び (II)意味的に情報を得た時間的モデリング。 複数の長軸ECGタスク、データセット、基礎モデルバックボーンの実験により、我々の手法は、トレーニング済みスナップショットモデルから堅牢な長軸拡張を可能にし、パラメータ効率の強いスライディングウインドウとプールベースラインを一貫して上回ることを示した。

関連論文リスト

• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• TS2Vec-Ensemble: An Enhanced Self-Supervised Framework for Time Series Forecasting [1.2461503242570642]
  本稿では,時系列予測のための新しいハイブリッドフレームワークTS2Vec-Ensembleを紹介する。 我々のアプローチは、周期周期を符号化する明示的でエンジニアリングされた時間特徴を融合することにより、事前訓練されたTS2Vecエンコーダから、強力で暗黙的に学習されたダイナミクスを強化する。 その結果、TS2Vec-Ensembleは標準のTS2Vecベースラインや他の最先端モデルよりも一貫して、大幅に優れていた。
  論文  参考訳（メタデータ） (2025-11-27T12:19:18Z)
• Generating Realistic Multi-Beat ECG Signals [9.817387015919023]
  本稿では,現実的な長形ECG信号を生成するための3層合成フレームワークを提案する。 まず拡散モデルを用いて高忠実度シングルビートを生成し、その後、臨界時間依存性を保ったビート間特徴を合成し、最後に、ビートをコヒーレントなロングシーケンスにアセンブルする。 不整脈分類では, 拡散モデルを用いて, 長形合成心電図がエンドツーエンドの心電図生成より有意に優れていた。
  論文  参考訳（メタデータ） (2025-05-19T13:50:58Z)
• Generative Models for Long Time Series: Approximately Equivariant Recurrent Network Structures for an Adjusted Training Scheme [4.327763441385371]
  本稿では,連続層を有する変分オートエンコーダ(VAE)に基づく時系列データに対する簡易かつ効果的な生成モデルを提案する。 本手法では,シーケンス長を漸進的に向上させる適応型トレーニング手法を提案する。 リカレントアーキテクチャを利用することで、モデルはシーケンス長に関係なく定数数のパラメータを保持する。
  論文  参考訳（メタデータ） (2025-05-08T07:52:37Z)
• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• UltraSTF: Ultra-Compact Model for Large-Scale Spatio-Temporal Forecasting [34.03281105180512]
  我々は,超コンパクトな形状のバンクコンポーネントとクロス周期予測コンポーネントを統合したUltraSTFを提案する。 本モデルでは,形状バンク成分の注意機構を用いて時系列の繰り返しパターンを効率的にキャプチャする。 UltraSTFは、LargeSTベンチマークの最先端のパフォーマンスを達成し、第2のベストメソッドで要求されるパラメータの0.2%未満を活用している。
  論文  参考訳（メタデータ） (2025-02-28T01:35:51Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Advancing the State-of-the-Art for ECG Analysis through Structured State Space Models [3.822543555265593]
  本研究は、最近導入された構造化状態空間モデル(SSM)をECG分析に特に有望なアプローチとして適用する可能性を探るものである。 このアプローチがECG分類の最先端よりも大幅に改善されていることを実証する。 モデルが長期依存を捕捉する能力は、最適なサンプリングレートやウィンドウサイズといった文学における長年の疑問に光を当て、分類モデルを訓練することを可能にする。
  論文  参考訳（メタデータ） (2022-11-14T18:01:13Z)

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。