論文の概要: Atrial Fibrillation Detection with Arbitrary Leads via a Codebook-Based Reconstruction-Classification Framework

• arxiv url: http://arxiv.org/abs/2608.18451v1
• Date: Wed, 19 Aug 2026 02:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.258011
• Title: Atrial Fibrillation Detection with Arbitrary Leads via a Codebook-Based Reconstruction-Classification Framework
• Title（参考訳）: コードブックに基づく再構成分類フレームワークによる任意リードによる心房細動の検出
• Abstract要約: AF分類とECG再構成を共同で行う新しいベクトル量子化変分オートエンコーダであるDual-Codebook Graph Collaborative Network (DCGCNet)を提案する。 DCGCNetは、標準データセット内12リード評価における最先端性能を実現し、7つの異なる設定にまたがる例外的なクロスデータセットの一般化を示す。 ベースラインワイド、パワーライン干渉、EMGアーティファクトなど、現実的なノイズ条件下で高い診断精度を維持する。
• 参考スコア（独自算出の注目度）: 5.215755803452597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: \textbf{Background and Objective}: Reliable atrial fibrillation (AF) detection from electrocardiogram (ECG) signals remains challenging in real-world clinical settings due to variable lead configurations, cross-dataset domain shifts, and pervasive physiological and technical artifacts. So we develop a robust and generalizable deep learning model for accurate AF detection.\\ \textbf{Methods}: We propose the Dual-Codebook Graph Collaborative Network (DCGCNet), a novel end-to-end vector-quantized variational autoencoder that jointly performs AF classification and ECG reconstruction. DCGCNet introduces two key components: (1) a Local-Global Contrastive Module for learning noise-invariant representations, and (2) an Adaptive Codebook Vector Quantizer that dynamically refines codebook prototypes to better align with input data distributions, thereby preventing codebook collapse and enhancing generalization.\\ \textbf{Results}: DCGCNet achieves state-of-the-art performance in standard intra-dataset 12-lead evaluation and demonstrates exceptional cross-dataset generalization across seven diverse settings, consistently attaining AUC > 0.98 in all cases. Furthermore, it maintains high diagnostic accuracy under realistic noisy conditions, including baseline wander, powerline interference, and EMG artifacts.\\ \textbf{Conclusions}: DCGCNet establishes a new benchmark for robust, generalizable, and noise-resilient AF detection, showing strong potential for deployment in real-world clinical environments.
• Abstract（参考訳）: \textbf{Background and Objective}: 心電図(ECG)信号からの信頼性心房細動(AF)検出は、様々なリード構成、クロスデータセットドメインシフト、広汎な生理的および技術的アーティファクトにより、実際の臨床環境では困難である。 そこで我々は,精度の高いAF検出のための頑健で一般化可能なディープラーニングモデルを開発した。 The Dual-Codebook Graph Collaborative Network (DCGCNet) is proposed the Dual-Codebook Graph Collaborative Network, a novel-to-end vector-quantized variational autoencoder that together performed AF classification and ECG reconstruction。 DCGCNetは,(1)ノイズ不変表現を学習するローカル・グローバル・コントラスト・モジュール,(2)コードブックのプロトタイプを動的に洗練し,入力データ分布との整合性を向上し,コードブックの崩壊を防止し,一般化を向上する適応コードブックベクトル量化器という2つの重要なコンポーネントを導入している。 \\ \textbf{Results}: DCGCNetは、標準データセット内12リード評価において最先端のパフォーマンスを達成し、7つの異なる設定にまたがる例外的なクロスデータセットの一般化を示し、すべてのケースにおいて一貫してAUC > 0.98に達する。 さらに、ベースライン、パワーライン干渉、EMGアーティファクトなど、現実的なノイズ条件下で高い診断精度を維持する。 \\ \textbf{Conclusions}: DCGCNetは、堅牢で、一般化可能で、ノイズ耐性のあるAF検出のための新しいベンチマークを確立し、実際の臨床環境に展開する可能性を示す。

関連論文リスト

• Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
  Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。 既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。 We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。 ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-25T05:12:26Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• 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)
• Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals [0.8594140167290097]
  本研究では、7つの心拍変動特性(HRV)とともに連続的な心電図信号を処理するハイブリッドトランスフォーマーモデルを提案する。 我々は、最大平均離散性(MMD)を含む表現学習技術を用いて、ソースとターゲットドメイン間の特徴分布を整列する。 未確認領域のウェアラブルデバイスデータでテストすると、F1マクロ95%の精度と96.15%のバランスの取れた精度を達成した。
  論文  参考訳（メタデータ） (2026-05-05T22:03:48Z)
• Comparative Analysis of Data Augmentation for Clinical ECG Classification with STAR [0.0]
  正弦波時間振幅サンプリング(Sinusoidal Time-Amplitude Resampling, STAR)は、連続するRピーク間で厳密に動作するビートワイド増幅である。 STARは実践的なパイプラインのために設計されており、 (i) ピークや間隔を損なうことなくトレーニングの多様性を拡大するモルフォロジー-忠実な変動、 (ii) ソースレジリエンスなトレーニング、 デバイス、サイト、コホート間の安定性をデータセット固有のチューニングなしで改善する、 (iv) ビートレベルの拡張によるレアクラスの学習の改善。
  論文  参考訳（メタデータ） (2025-10-15T14:18:03Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection [5.614826802517409]
  MMAE-ECGはECG信号を非重複セグメントに分割し、各セグメントは学習可能な位置埋め込みを割り当てる。 新しいマルチスケールマスキング戦略とマルチスケールアテンション機構は、異なる位置埋め込みとともに、軽量なトランスフォーマーエンコーダを実現する。
  論文  参考訳（メタデータ） (2025-02-08T08:18:38Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。