論文の概要: LSTrans: Efficient Knowledge Transfer for Lightweight and Automated ECG Classification

• arxiv url: http://arxiv.org/abs/2607.10784v1
• Date: Sun, 12 Jul 2026 14:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.529224
• Title: LSTrans: Efficient Knowledge Transfer for Lightweight and Automated ECG Classification
• Title（参考訳）: LSTrans:軽量・自動心電図分類のための効率的な知識伝達
• Abstract要約: 本稿では,効率的な高感度心電図解析を目的とした軽量ハイブリッドモデルLSTransを提案する。 LSTransは、マクロなリズム傾向と顕微鏡的な形態変化の両方を捉えるために、インターリーブ層構造を持つ特殊な1D畳み込みバックボーンを導入している。 我々は,高容量教師モデルから生徒に診断の専門知識を伝達するために,同種及び異種知識蒸留を用いる。
• 参考スコア（独自算出の注目度）: 12.358392606750442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying deep learning models for automated electrocardiogram classification on resource-constrained wearable devices remains challenging due to high computational costs. To address this, we propose LSTrans, a lightweight hybrid model designed for efficient and sensitive ECG analysis. LSTrans introduces a specialized 1D convolutional backbone with an interleaved layer architecture to capture both macroscopic rhythmic trends and microscopic morphological variations. This backbone is cascaded with a Transformer encoder to model long-range temporal dependencies, incorporating Low-Rank Adaptation across critical layers to compress the model and reduce the trainable parameter space. We further employ homogeneous and heterogeneous knowledge distillation to transfer diagnostic expertise from high-capacity teacher models to the student. Experimental results on multiple benchmark datasets demonstrate that LSTrans achieves a competitive balance between diagnostic sensitivity and resource efficiency, substantially reducing peak memory footprints and training latency during downstream adaptation. The source code is available for review at https://github.com/zyee00128/LSTrans4BIBM.
• Abstract（参考訳）: リソース制約のあるウェアラブルデバイス上での心電図自動分類のためのディープラーニングモデルの展開は、高い計算コストのため、依然として困難である。 そこで我々は,効率的な高感度ECG解析を目的とした軽量ハイブリッドモデルLSTransを提案する。 LSTransは、マクロなリズム傾向と顕微鏡的な形態変化の両方を捉えるために、インターリーブ層構造を持つ特殊な1D畳み込みバックボーンを導入している。 このバックボーンはTransformerエンコーダでケースケードされ、長期の時間的依存関係をモデル化し、重要なレイヤにローランド適応を導入してモデルを圧縮し、トレーニング可能なパラメータ空間を縮小する。 さらに,高容量教師モデルから生徒に診断の専門知識を伝達するために,同種及び異種知識蒸留を用いる。 複数のベンチマークデータセットの実験結果から、LSTransは診断感度とリソース効率の競合バランスを達成し、ピークメモリフットプリントを大幅に削減し、下流適応時のトレーニング遅延を著しく低減することが示された。 ソースコードはhttps://github.com/zyee00128/LSTrans4BIBMでレビューすることができる。

関連論文リスト

• Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder [1.2599533416395767]
  本稿では,脳波(EEG)および心拍変動(HRV)信号からの表現学習のための新しい自己教師型学習フレームワークを提案する。 畳み込み操作とTransformerベースの自己アテンションを統合することで、MAEConformerはローカル時間パターンと長距離コンテキスト依存の両方を効果的にキャプチャする。 実験の結果,学習した表現が強い伝達性とデータ効率をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-07-26T09:11:03Z)
• 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)
• Stage-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI [1.1458853556386799]
  追従型MRIのための深層学習モデルの第1段階別横断的ベンチマークを行う。 アーキテクチャ性能がタイムポイントに依存するかどうかをテストするために,異なるポストRTスキャンを独立に解析する。 これらの結果は、時系列モデリング、マルチシーケンスMRI、より大規模なマルチセンターコホートを組み込んだステージアウェア・ベンチマークを確立し、今後の研究を動機付けている。
  論文  参考訳（メタデータ） (2025-11-23T19:38:03Z)
• Motor Imagery EEG Signal Classification Using Minimally Random Convolutional Kernel Transform and Hybrid Deep Learning [0.0]
  例えば、運動画像脳-コンピュータインターフェース(MI-BCI)を通じて測定された特定の認知タスクや運動タスクに関連する隠されたパターンを処理し、理解することが重要である。 運動画像に基づく脳波(MI-EEG)タスクの分類によって重要な課題が提示される。 本稿では、最小ランダム畳み込みカーネル変換(MiniRocket)により特徴を効率的に抽出する脳波信号の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-22T07:55:10Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
  生体信号アレイモデルに適用可能な空間適応層(SAL)を提案する。 また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。 2つのHD-sEMGジェスチャ認識データセットでテストした結果、SALとLBNは通常の配列の標準微調整よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-12T14:06:12Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• GSB: Group Superposition Binarization for Vision Transformer with Limited Training Samples [46.025105938192624]
  Vision Transformer (ViT) は様々なコンピュータビジョンタスクにおいて顕著に機能している。 ViTは通常、比較的限られた数のトレーニングサンプルで深刻なオーバーフィッティング問題に悩まされる。 本稿では,GSB(Group Superposition Binarization)と呼ばれる新しいモデルバイナライゼーション手法を提案する。
  論文  参考訳（メタデータ） (2023-05-13T14:48:09Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。