Fugu-MT 論文翻訳(概要): CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation

論文の概要: CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation

arxiv url: http://arxiv.org/abs/2608.12944v1
Date: Thu, 13 Aug 2026 08:21:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.440938
Title: CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation
Title（参考訳）: CardioState-JEPA:共有心臓表現の遅延型クロスモーダル学習
Abstract要約: 心電図,PSG,PCGの1つの共有表現を共同で学習するための心臓基礎モデルであるCardioState-JEPAを紹介する。このモデルは異種波形を共通のトークン空間にマッピングし、単一の共有トランスフォーマーエンコーダで処理し、マスクされた潜在心臓状態を予測することによって学習する。我々のエンコーダは、平均PSG分類を8.2AUROCポイントで改善し、PCG法を18.8AUROCポイントで、ECG法を15.5AUROCポイントで改善した。
参考スコア（独自算出の注目度）: 33.42512865785489
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Electrocardiography (ECG), photoplethysmography (PPG), and phonocardiography (PCG) provide complementary views of the same cardiac cycle, yet existing cardiac foundation models are trained for a single sensing modality, leaving the shared physiology across sensors unexploited. We introduce CardioState-JEPA, a cardiac foundation model to learn a single shared representation jointly across ECG, PPG, and PCG, built on a physiology-aware joint-embedding predictive architecture. The model maps heterogeneous waveforms into a common token space, processes them with a single shared Transformer encoder, and learns by predicting masked latent cardiac states, placing the pretraining target on shared physiology rather than sensor-specific waveform appearance. To handle the temporal offsets between electrical, mechanical, and hemodynamic events, cross-modal prediction uses a learned delay aligner that matches signals at the corresponding cardiac time. Because synchronized multi-sensor recordings are scarce, CardioState-JEPA first learns within-modality structure from abundant unimodal data and then uses paired data to align modalities in latent cardiac time. Evaluated as a frozen encoder across 25 downstream tasks spanning ECG, PPG, and PCG, our encoder improves average PPG classification by 8.2 AUROC points, PCG murmur detection by 18.8 AUROC points, and ECG classification by 15.5 AUROC points over the best self-supervised signal baseline and matches or exceeds cardiac models trained with privileged clinical text or supervised labels on several ECG benchmarks. These results establish that heterogeneous cardiac signals can mutually supervise a single foundation model of cardiac physiology.
Abstract（参考訳）: 心電図(ECG)、光胸腺図(PPG)、超音波心電図(PCG)は、同じ心循環の相補的なビューを提供するが、既存の心基盤モデルでは、単一の知覚モダリティのために訓練されており、センサー間の共有生理学は未解明のままである。本稿では,心電図,PSG,PCGの1つの共有表現を共同で学習する心臓基礎モデルであるCardioState-JEPAについて紹介する。このモデルは異種波形を共通のトークン空間にマッピングし、単一の共有トランスフォーマーエンコーダで処理し、マスクされた潜在心臓状態を予測することによって学習する。電気的、機械的、および血行力学的事象の間の時間的オフセットを処理するために、クロスモーダル予測は学習された遅延調整器を使用し、対応する心臓時間で信号に一致する。同期型マルチセンサー記録は少ないため、CardioState-JEPAはまず、豊富な単調データからモダリティ内構造を学習し、ペア化されたデータを用いて、潜時心時間におけるモダリティの調整を行う。 ECG, PPG, PCGにまたがる25の下流タスクにまたがるフリーズエンコーダとして評価され, このエンコーダは平均PSG分類を8.2AUROCポイント, PCG大腿骨検出を18.8AUROCポイント, ECG分類を15.5AUROCポイントで改善し, 各種ECGベンチマークで有能な臨床テキストや教師付きラベルで訓練された心臓モデルに適合または超えている。これらの結果は、不均一な心信号が心生理学の1つの基礎モデルを相互に監督できることを証明している。

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)
PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation [51.79176059799321]
フォトプレチスモグラフィーはウェアラブルではユビキタスであるが、ECG特有の診断形態は欠如している。既存の手法は統計アライメントとデータ駆動生成に依存している。生理的誘導型潜在フローフレームワークであるPG-LRFを提案する。
論文参考訳（メタデータ） (2026-05-09T07:39:58Z)
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)
AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
心電図(ECG)は急性心臓発作の検出に非常に敏感である。本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
論文参考訳（メタデータ） (2024-11-17T17:32:58Z)
Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals [4.056982620027252]
単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
論文参考訳（メタデータ） (2024-02-12T11:04:08Z)
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)
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)
CardioGAN: Attentive Generative Adversarial Network with Dual Discriminators for Synthesis of ECG from PPG [25.305949034527202]
心電図(Electrocardiogram、ECG)は、心臓活動の電気的測定である。光胸腺X線写真(英: Photoplethysmogram, PPG)は、血液循環の変化の光学的測定である。本稿では、PSGを入力とし、ECGを出力として生成する逆モデルであるCardioGANを提案する。
論文参考訳（メタデータ） (2020-09-30T20:49:30Z)
Classification of Arrhythmia by Using Deep Learning with 2-D ECG Spectral Image Representation [3.3426603061273994]
本稿では,ECG信号を8つのクラスに分類するための2次元(2次元)畳み込みニューラルネットワーク(CNN)モデルを提案する。我々は,最新の平均分類精度99.11%を達成し,同種の不整脈の分類において,最近報告した結果より優れている。
論文参考訳（メタデータ） (2020-05-14T12:11:41Z)

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。