論文の概要: ECG-LDC: A Hardware-Efficient Low-Dimensional Computing Framework for ECG Arrhythmia Classification

• arxiv url: http://arxiv.org/abs/2607.09680v1
• Date: Sat, 13 Jun 2026 07:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.362332
• Title: ECG-LDC: A Hardware-Efficient Low-Dimensional Computing Framework for ECG Arrhythmia Classification
• Title（参考訳）: ECG-LDC:ECG不整脈分類のためのハードウェア効率の良い低次元計算フレームワーク
• Authors: Anh Tran, Khanh Tran, Cuong Do,
• Abstract要約: 深部ニューラルネットワークアプローチは心電図不整脈検出のための高い分類精度を示した。 ディープニューラルネットワークアプローチは、かなりのパラメータ数を持ち、乗算累積集約演算に依存しているため、低コストのエッジプラットフォームでは実用的ではない。 リアルタイムECG不整脈分類に低次元コンピューティングを適用するハードウェア・ソフトウェア共同設計フレームワークECG-LDCを提案する。
• 参考スコア（独自算出の注目度）: 7.825539979512302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous cardiac monitoring in wearable devices demands classifiers that are simultaneously accurate, energy-efficient, and deployable on resource-constrained hardware. While deep neural network approaches have demonstrated high classification accuracy for electrocardiogram (ECG) arrhythmia detection, their substantial parameter counts and reliance on multiply-accumulate-intensive operations make them impractical for low-cost edge platforms. In this work, we propose ECG-LDC, a hardware-software co-design framework that adapts Low-Dimensional Computing (LDC) for real-time ECG arrhythmia classification. ECG-LDC employs a dual-encoder architecture with dedicated value and feature codebooks to independently encode morphological waveform features and RR-interval temporal features, enabling effective capture of both intra-beat and inter-beat cardiac dynamics. The framework encompasses data preprocessing, model training, and a hardware accelerator architecture prototyped on the Pynq-Z2 platform. Implemented using binary representations and XOR/XNOR-based operations, ECG-LDC achieves $97.18\%$ accuracy with a memory footprint of only $3.86\ \text{kB}$. ECG-LDC sacrifices approximately $1.8\%$ accuracy versus SOTA TinyML classifiers but achieves $11$~$ 570\times$ reduction in memory usage; among FPGA-based five-class arrhythmia classifiers, it delivers the highest accuracy with up to $2.4\times$ fewer LUTs and zero DSP block utilization, affirming its suitability for real-time arrhythmia detection on resource-constrained wearable platforms.
• Abstract（参考訳）: ウェアラブルデバイスにおける連続心臓モニタリングは、リソース制約のあるハードウェア上で同時に正確でエネルギー効率が高く、デプロイ可能な分類器を必要とする。 深部ニューラルネットワークアプローチは心電図不整脈の検出において高い分類精度を示してきたが、そのパラメータ数と重積集中操作への依存により、低コストのエッジプラットフォームでは実用的ではない。 本研究では,低次元コンピューティング(LDC)をリアルタイムECG不整脈分類に適用するハードウェア・ソフトウェア共同設計フレームワークであるECG-LDCを提案する。 ECG-LDCは、専用の値と特徴コードブックを持つデュアルエンコーダアーキテクチャを用いて、形態波形特徴とRR間隔時間特徴を独立に符号化し、拍動内および拍動間力学の両方を効果的に捉えることができる。 このフレームワークは、データ前処理、モデルトレーニング、およびPynq-Z2プラットフォーム上でプロトタイプ化されたハードウェアアクセラレータアーキテクチャを含んでいる。 バイナリ表現とXOR/XNORベースの操作を使用して実装されたECG-LDCは、メモリフットプリントがわずか3.86\ \text{kB}$の9.18\%の精度を達成した。 ECG-LDCは、SOTA TinyML分類器に対して約1.8.%の精度を犠牲にしているが、メモリ使用量の削減に11ドル~570ドルを達成している。

関連論文リスト

• ECG-NAT: A Self-supervised Neighborhood Attention Transformer for Multi-lead Electrocardiogram Classification [4.904219291349455]
  ECG信号は、きめ細かいビートレベルの形態とより広いリズムレベルの依存関係を同時にキャプチャするアーキテクチャを必要とする。 本稿では心電図近傍注意変換器(ECG-NAT)を提案する。 ECG-NATはベンチマークデータセット上で、1%のラベル付きデータを使用して88.1%の精度で堅牢なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-13T08:50:00Z)
• From Foundation ECG Models to NISQ Learners: Distilling ECGFounder into a VQC Student [0.0]
  PTB-XLとMIT-BIH Arrhythmia DatabaseのバイナリECG分類のための高容量教師としてECGFounderを微調整する。 我々は,知識蒸留が,その予測行動がコンパクトな学生に伝達できるかどうかを考察する。
  論文  参考訳（メタデータ） (2026-03-28T13:36:45Z)
• 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)
• Optimized Hybrid Feature Engineering for Resource-Efficient Arrhythmia Detection in ECG Signals: An Optimization Framework [0.0]
  本研究では,複雑性よりも機能工学を優先する資源効率の高いデータ中心型フレームワークを提案する。 最適化されたパイプラインは、複雑で高次元の不整脈データを線形分離可能にします。 MIT-BIHとINCARTデータセットの検証では、98.44%の精度で8.54KBのモデルフットプリントが得られる。
  論文  参考訳（メタデータ） (2026-01-01T03:44:42Z)
• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• 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)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• 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)
• Deep Learning-Based Arrhythmia Detection Using RR-Interval Framed Electrocardiograms [9.884633954053344]
  ディープラーニングは、生体認証セキュリティアプリケーションにおける個人認証を実現するために使用することができる。 我々は,連続したRピーク間の距離を表す時間スライスされた心電図データを用いた不整脈検出モデルを開発した。 この小型システムは、ウェアラブルデバイスやリアルタイム監視機器に実装することができる。
  論文  参考訳（メタデータ） (2020-12-01T09:10:24Z)
• 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。