論文の概要: FOUND-AF: Benchmarking ECG Foundation Models for Atrial Fibrillation Detection

• arxiv url: http://arxiv.org/abs/2608.03597v1
• Date: Tue, 04 Aug 2026 12:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.193687
• Title: FOUND-AF: Benchmarking ECG Foundation Models for Atrial Fibrillation Detection
• Title（参考訳）: FOUND-AF:心房細動検出のための心電図基礎モデルのベンチマーク
• Authors: Amirhossein Taleshinosrati, Yangyang Wang, Atitaya Phoemsuk, Vahid Abolghasemi, Naser Hossein Motlagh, Sadasivan Puthusserypady, Daniel Teichmann, Abdolrahman Peimankar,
• Abstract要約: 心房細動(AF)は心臓不整脈が最も多く持続し、脳卒中、心不全、死亡のリスクが増大する。 最近のECG基盤モデルは自動AF検出のための転送可能な表現を提供する。 本研究は、事前学習したECG表現の品質を評価する、統一的でリーク制御され、デプロイ指向のベンチマークフレームワークであるFOUND-AFを提案する。
• 参考スコア（独自算出の注目度）: 5.65079592827682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atrial fibrillation (AF) is the most common sustained cardiac arrhythmia and is associated with increased risks of stroke, heart failure, and mortality. Recent ECG foundation models offer transferable representations for automated AF detection. However, their relative effectiveness remains unclear because existing studies use different datasets, preprocessing procedures, classifiers, and validation protocols. This study presents FOUND-AF, a unified, leakage-controlled, and deployment-oriented benchmarking framework that evaluates the quality of pretrained ECG representations under identical experimental conditions. Nine publicly available foundation models from five families, including HuBERT-ECG, CLEF, ST-MEM, ECG-JEPA, and ECGFounder, were evaluated across four heterogeneous ECG datasets, namely AFDB, CinC2017, CPSC2021, and LTAFDB. All models were used as frozen feature extractors with standardized preprocessing, model-native resampling, a fixed XGBoost classifier, and recording-level grouped cross-validation. The evaluation included classification metrics, receiver operating characteristic analysis, paired recording-level bootstrap comparisons with Holm correction, embedding-space visualization, and computational efficiency profiling. The ECGFounder model consistently achieved the strongest overall performance across datasets while offering a favorable trade-off between accuracy, model size, inference time, and memory usage. FOUND-AF therefore provides a reproducible framework for selecting ECG foundation models and demonstrates that compact, clinically pretrained encoders can support robust and computationally efficient AF detection across heterogeneous acquisition settings.
• Abstract（参考訳）: 心房細動(AF)は心臓不整脈が最も多く持続し、脳卒中、心不全、死亡のリスクが増大する。 最近のECG基盤モデルは自動AF検出のための転送可能な表現を提供する。 しかし、既存の研究ではデータセット、前処理手順、分類器、検証プロトコルが異なるため、それらの相対的な効果は明らかでない。 本研究では、同じ実験条件下で事前学習したECG表現の品質を評価する、統一的で漏洩制御され、デプロイ指向のベンチマークフレームワークであるFOUND-AFを提案する。 HuBERT-ECG、CLEF、ST-MEM、ECG-JEPA、ECGFounderを含む9つのファウンデーションモデルが、AFDB、CinC2017、CPSC2021、LTAFDBの4つの異種ECGデータセットで評価された。 全てのモデルは、標準化された前処理、モデルネイティブ再サンプリング、固定XGBoost分類器、記録レベルのグループ化されたクロスバリデーションを備えたフリーズ機能抽出器として使用された。 評価には、分類基準、受信操作特性分析、ホルム補正とのペア記録レベルのブートストラップ比較、埋め込み空間の可視化、計算効率のプロファイリングが含まれる。 ECGFounderモデルは、正確性、モデルサイズ、推論時間、メモリ使用量の間の良好なトレードオフを提供しながら、データセット全体で最強の全体的なパフォーマンスを継続的に達成した。 したがって、FOUND-AFはECGファンデーションモデルを選択するための再現可能なフレームワークを提供し、コンパクトで臨床的に事前訓練されたエンコーダが、不均一な取得設定で堅牢で効率的なAF検出をサポートできることを実証する。

関連論文リスト

• Domain-Adapted Fine-Tuning of ECG Foundation Models for Multi-Label Structural Heart Disease Screening [9.031528782284935]
  心電図(ECG)基礎モデルがエコー確認型多ラベル心疾患検出をサポートできるかどうかを検討した。 我々は,ECGの工学的特徴と,勾配向上,スクラッチからのエンドツーエンドの波形学習,オープンECG基盤モデルからの転送を比較した。 適応型ECG-FMモデルは全体的な性能を最高のものにした。
  論文  参考訳（メタデータ） (2026-04-25T17:27:42Z)
• 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)
• CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models [13.613519337591507]
  シングルリードのECG記録は、臨床レベルのウェアラブルと消費者向けのウェアラブルの両方に統合されている。 未ラベルのECG上でのファンデーションモデルの自己教師付き事前トレーニングは診断性能を向上させるが、既存のアプローチでは臨床メタデータからドメイン知識を取り入れていない。 我々は,確立された臨床リスクスコアを用いて,ネガティブなペアを適応的に重み付けする,新しいコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2025-12-01T20:21:44Z)
• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• An Attention-Augmented VAE-BiLSTM Framework for Anomaly Detection in 12-Lead ECG Signals [0.0]
  12誘導心電図(ECGs)の異常検出は心血管疾患に伴う偏差の同定に重要である。 本稿では,VAE-BiLSTM-MHAアーキテクチャの心電図異常検出への応用について報告する。
  論文  参考訳（メタデータ） (2025-10-07T13:30:02Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• ECG-FM: An Open Electrocardiogram Foundation Model [3.8270632390229777]
  本稿では,ECG分析のためのオープン基盤モデルであるECG-FMについて述べる。 ECG-FMは、コントラストと生成的自己教師付き学習のハイブリッドアプローチを用いて事前訓練されたトランスフォーマーベースのモデルである。 我々は,ECG-FMがロバストで,ラベル効率が高く,機能的に識別可能であることを確認した。
  論文  参考訳（メタデータ） (2024-08-09T17:06:49Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
  入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。 注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
  論文  参考訳（メタデータ） (2022-10-31T07:36:48Z)
• 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。