論文の概要: Domain Knowledge Based Temporal-Spatial Graph Convolution Network for ECG Recognition
- arxiv url: http://arxiv.org/abs/2607.01282v1
- Date: Wed, 01 Jul 2026 08:41:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.522959
- Title: Domain Knowledge Based Temporal-Spatial Graph Convolution Network for ECG Recognition
- Title（参考訳）: ドメイン知識に基づく心電図認識のための時空間グラフ畳み込みネットワーク
- Abstract要約: 本稿では,ECG認識のためのドメイン知識に基づくグラフ畳み込みネットワークを用いた新しいアプローチを提案する。
ECGインタープリタオンに不可欠なPRQSTの重要なランドマークポイントはドメイン知識として組み込まれている。
平均F1スコアは88.1%、平均F1スコアは76.3%であり、どちらも最先端のモデルを上回っている。
- 参考スコア（独自算出の注目度）: 16.938845925147238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In light of strides in Arti cial Intelligence (AI) and its wide spread application, challenges persist in the interpretability of AI models, particularly within specialized domains like healthcare, such as electro cardiograph (ECG) recognition. Rather than relying solely on end-to-end convolutional neural networks, this paper introduces a novel approach using a domain knowledge-based graph convolution network for ECG recognition. Key landmarks points of PRQST, vital to ECG interpreta tion, are incorporated as domain knowledge. The double-stream directed graph is employed to model both intra and inter ECG cycles. Speci cally, spatial directed graphs capture the positional relationships among key points, while temporal directed graphs delineate temporal dependencies between adjacent cycles in extended ECG sequences. Experimental re sults on the First Chinese ECG Intelligent Competition dataset, which speci cally classify ECG into nine categories, prove the e cacy of the proposed model. The overall average F1 score is 88.1%, the average F1 score of rare categories is 76.3%, both outperform the state-of-the-art models. The introduction of domain knowledge did enhance the detec tion performance, especially for rare categories.
- Abstract（参考訳）: Arti cial Intelligence(AI)とその広範な応用の進歩を踏まえると、特に心電図(ECG)認識のような医療などの専門分野において、AIモデルの解釈可能性に課題が持続する。
本稿では、エンド・ツー・エンドの畳み込みニューラルネットワークにのみ依存するのではなく、ドメイン知識に基づくグラフ畳み込みネットワークを用いてECG認識を行う新しいアプローチを提案する。
ECGインタープリタオンに不可欠なPRQSTの重要なランドマークポイントはドメイン知識として組み込まれている。
二重ストリーム指向グラフは、心電図内サイクルと心電図間サイクルの両方をモデル化するために用いられる。
特殊キャリー、空間指向グラフはキーポイント間の位置関係を捉え、時間指向グラフは拡張されたECGシーケンスにおいて隣接するサイクル間の時間的依存関係を規定する。
カリーがECGを9つのカテゴリに分類する最初の中国のECGインテリジェントコンペティションデータセットについて、実験的な再考を行い、提案モデルの有効性を証明した。
平均F1スコアは88.1%、平均F1スコアは76.3%であり、どちらも最先端のモデルを上回っている。
ドメイン知識の導入は、特に稀なカテゴリにおいて、デテックオン性能を高めた。
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) - Learning Cardiac Latent Representations in Vectorcardiogram Space [54.12639543496968]
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。
論文 参考訳（メタデータ） (2026-05-29T12:48:12Z) - Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
心電図による心臓の異常は, 長期分布により検出が困難である。
我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。
本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
論文 参考訳（メタデータ） (2026-03-20T07:04:00Z) - 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) - Leveraging Visibility Graphs for Enhanced Arrhythmia Classification with Graph Convolutional Networks [0.11184789007828977]
本研究では,不整脈分類におけるVGとVVGの表現とGCNの併用について検討した。
以上の結果より,VGおよびVVGマッピングによりGCNは前処理やノイズ除去を必要とせず,生ECG信号から直接不整脈を分類できることがわかった。
論文 参考訳（メタデータ） (2024-04-19T13:24:09Z) - Graph Neural Networks for Topological Feature Extraction in ECG
Classification [11.337163242503166]
グラフニューラルネットワークを用いて心拍を分類する3つの手法を提案する。
提案した3つの手法は、それぞれ99.38、98.76、91.93パーセントの精度で不整脈分類予測を行うことができる。
論文 参考訳（メタデータ） (2023-11-02T16:14:34Z) - 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) - Two-stream Network for ECG Signal Classification [3.222802562733787]
本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。
本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。
MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
論文 参考訳（メタデータ） (2022-10-05T08:14:51Z) - Global ECG Classification by Self-Operational Neural Networks with
Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。
我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。
提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文 参考訳（メタデータ） (2022-04-07T22:49:18Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。