Fugu-MT 論文翻訳(概要): Boosting ECG Classification Performance by Pre-training with Synthesized Data

論文の概要: Boosting ECG Classification Performance by Pre-training with Synthesized Data

arxiv url: http://arxiv.org/abs/2606.10802v1
Date: Tue, 09 Jun 2026 12:48:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-10 15:40:58.502438
Title: Boosting ECG Classification Performance by Pre-training with Synthesized Data
Title（参考訳）: 合成データによる事前学習による心電図分類性能の向上
Authors: Naoki Nonaka, Jun Seita,
Abstract要約: 我々は、異常心電図(ECG)のためのドメイン固有の医療知識に基づく合成データを生成する。 10種類のDeep Neural Networks (DNN) を用いて異常分類を行うことにより, この合成データの有用性を評価する。以上の結果から,4つの異常のうち3つの分類性能が向上することが示唆された。
参考スコア（独自算出の注目度）: 2.363388546004777
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Neural Networks (DNNs) typically require extensive datasets for effective training. In the medical domain, acquiring large-scale data is often challenging due to privacy concerns and the rarity of certain diseases. To address this data scarcity, we investigate the efficacy of training DNN models using synthetic data, generated based on domain-specific medical knowledge. Specifically, we develop a knowledge-driven Gaussian-composition synthesis algorithm for single-lead II ECGs, in which each heartbeat is represented by Gaussian-shaped P, Q, R, S, and T wave components. Using this simulator, we generate synthetic data for four abnormal electrocardiogram (ECG) classes: atrial fibrillation (AF), atrial flutter (AFLT), premature ventricular complex (PVC), and Wolff-Parkinson-White Syndrome (WPW). We evaluate the utility of this synthetic data by conducting abnormal ECG classification using ten different DNN architectures. Our results demonstrate that synthetic-to-real training improves classification performance for three of the four target abnormalities, with the largest architecture-averaged gain of $33.2\%$ observed for AFLT. Further analysis reveals that the performance enhancement from synthetic data is more pronounced with smaller real-world datasets. These findings suggest that domain-knowledge-based synthetic ECGs can serve as a useful pre-training resource, particularly in scenarios where real-world data are limited or difficult to obtain.
Abstract（参考訳）: ディープニューラルネットワーク(DNN)は通常、効果的なトレーニングのために広範なデータセットを必要とする。医療分野では、プライバシー上の懸念と特定の疾患の希少性のために、大規模なデータを取得することはしばしば困難である。このデータ不足に対処するために、ドメイン固有の医療知識に基づいて生成された合成データを用いてDNNモデルのトレーニングの有効性を検討する。具体的には、単一リードII心電図のための知識駆動型ガウス合成アルゴリズムを開発し、各心拍はガウス型P, Q, R, S, T波成分で表される。本シミュレータを用いて,心房細動(AF),心房粗動(AFLT),未熟心室複合体(PVC),Wolff-Parkinson-White症候群(WPW)の4種類の異常心電図(ECG)の合成データを生成する。 10種類のDNNアーキテクチャを用いて、異常ECG分類を行うことにより、この合成データの有用性を評価する。以上の結果から,AFLTでは平均33.2 %のアーキテクチャ向上が見られ,これら4つの異常のうち3つの分類性能が向上することが示唆された。さらに分析した結果、より小さな実世界のデータセットで合成データの性能向上がより顕著であることが判明した。これらの結果から, ドメイン知識に基づく合成ECGは, 特に実世界のデータに制限がある場合や入手が困難な場合において, 有用な事前学習資源として機能することが示唆された。

関連論文リスト

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)
High-Fidelity Synthetic ECG Generation via Mel-Spectrogram Informed Diffusion Training [3.864395218585964]
リアル患者心電図(ECG)データの共有に関するプライバシー制限により、心臓ケアのための機械学習の開発が妨げられる。本研究は、現在の生成ECG法における2つの大きな欠点に対処する。条件付き拡散に基づく構造化状態空間モデル (Structured State Space Model, SSSD-ECG) を2つの原則により構築する。
論文参考訳（メタデータ） (2025-10-07T01:14:53Z)
Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文参考訳（メタデータ） (2025-10-05T12:35:01Z)
Inductive transfer learning from regression to classification in ECG analysis [0.39087869188813584]
心臓血管疾患(CVD)は、世界の死亡率の30%以上を占め、世界的死亡率の主要な原因である。研究における患者の心電図データの使用に関するプライバシー上の懸念が、合成データへの関心を喚起している。本研究では、回帰から分類までの深層学習モデルを学習するための合成ECGデータの可能性について検討する。
論文参考訳（メタデータ） (2025-08-05T06:43:20Z)
Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
論文参考訳（メタデータ） (2024-12-17T18:07:40Z)
FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文参考訳（メタデータ） (2024-10-28T02:24:01Z)
Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
論文参考訳（メタデータ） (2021-12-05T20:28:55Z)
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)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)
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。