論文の概要: Learning Cardiac Latent Representations in Vectorcardiogram Space
- arxiv url: http://arxiv.org/abs/2605.31249v1
- Date: Fri, 29 May 2026 12:48:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.610895
- Title: Learning Cardiac Latent Representations in Vectorcardiogram Space
- Title（参考訳）: 心電図空間における遅延表現の学習
- Abstract要約: 既存の方法は、観測可能なECG信号空間でのみ動作する。
本稿では,VCG空間内で直接心臓電気活動の潜在性統一表現を学習することを提案する。
LVCGは、この物理的に接地された潜在空間で動作するように設計された、最初の汎用的な自己教師型表現学習フレームワークである。
- 参考スコア（独自算出の注目度）: 54.12639543496968
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electrocardiography (ECG) is a cornerstone of cardiac assessment, making the learning of informative ECG representations fundamental to tasks ranging from disease diagnosis to clinical report generation. However, existing methods operate almost exclusively in the observable ECG signal space. In practice, the standard twelve-lead ECG represents multiple projections of the same underlying cardiac electrical activity from different spatial orientations. Therefore, representation learning in the ECG space inevitably introduces substantial redundancy, which may lead to spurious correlations and increased risk of overfitting. To address this and motivated by the Frank vectorcardiogram (VCG) model, we propose learning a unified latent representation of cardiac electrical activity directly in the VCG space. We introduce LVCG, the first general self-supervised representation learning framework designed to operate in this physically grounded latent space. By learning view-invariant latent VCG representations rather than lead-specific artifacts, VCG minimizes redundancy and improves generalization. LVCG generally outperforms ECG-space baselines across tasks, demonstrating enhanced robustness and generalization, especially in domain shift settings.
- Abstract（参考訳）: 心電図(Electrocardiography, ECG)は、心電図(心電図)による心電図表現の学習を、疾患診断から臨床報告生成までの課題に基礎を置いている。
しかし、既存の方法は観測可能なECG信号空間でのみ動作する。
実際には、標準の12誘導心電図は、同じ心臓電気活動の複数の投射を異なる空間方向から表現している。
したがって、ECG空間における表現学習は必然的にかなりの冗長性を導入し、これは急激な相関と過剰適合のリスクを増大させる可能性がある。
この問題に対処し、Frank vectorcardiogram (VCG) モデルにより動機づけるために、VCG空間内で直接心臓電気活動の統一潜在性表現を学習することを提案する。
LVCGは、この物理的に接地された潜在空間で動作するように設計された、最初の汎用的な自己教師型表現学習フレームワークである。
鉛固有のアーティファクトではなく、ビュー不変の潜在VCG表現を学習することにより、VCGは冗長性を最小化し、一般化を改善する。
LVCGは一般にタスク間でECG空間のベースラインを上回り、特にドメインシフト設定において強化された堅牢性と一般化を示す。
関連論文リスト
- ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning [50.82313761980655]
ECG-LLMは186,409人を対象にした4つのコホート679,112のECG研究で訓練されたECG条件付き大言語モデルである。
ECG信号、臨床コンテキスト、CMR、ECHOから導かれる、臨床的に構造化された質問応答対をトレーニングする。
心拍数などの従来の心電図測定を成功させ、複雑なCMR由来の表現型を強く予測する。
論文 参考訳（メタデータ） (2026-07-15T11:06:35Z) - PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation [51.79176059799321]
フォトプレチスモグラフィーはウェアラブルではユビキタスであるが、ECG特有の診断形態は欠如している。
既存の手法は統計アライメントとデータ駆動生成に依存している。
生理的誘導型潜在フローフレームワークであるPG-LRFを提案する。
論文 参考訳（メタデータ） (2026-05-09T07:39:58Z) - 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) - 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) - Reconstructing 12-Lead ECG from 3-Lead ECG using Variational Autoencoder to Improve Cardiac Disease Detection of Wearable ECG Devices [22.76333494370181]
可変オートエンコーダ(VAE)方式であるWearECGを提案する。
我々のモデルには、ECG信号の時間的および空間的依存をよりよく捉えるためのアーキテクチャの改善が含まれている。
大規模プレトレーニングECGモデルであるECGFounderを,40以上の心条件を含む多ラベル分類タスクで微調整する。
論文 参考訳（メタデータ） (2025-10-13T14:14:37Z) - Self-Alignment Learning to Improve Myocardial Infarction Detection from Single-Lead ECG [30.009709596357478]
心筋梗塞は冠動脈疾患の重要な徴候である。
単葉心電図(ECG)から検出するのは空間情報が少ないため困難である。
単誘導心電図による心筋梗塞検出を改善するための簡易かつ効果的なアライメント学習フレームワークであるSelfMISを提案する。
論文 参考訳（メタデータ） (2025-09-23T03:54:39Z) - 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) - AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
心電図(ECG)は急性心臓発作の検出に非常に敏感である。
本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
論文 参考訳（メタデータ） (2024-11-17T17:32:58Z) - 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) - ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method
for ECG signal [19.885905393439014]
本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。
この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。
提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
論文 参考訳（メタデータ） (2023-10-01T23:17:55Z)
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。