論文の概要: Beat-Synchronous Tokenization for ECG Transformers

• arxiv url: http://arxiv.org/abs/2608.30367v1
• Date: Mon, 31 Aug 2026 07:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.280626
• Title: Beat-Synchronous Tokenization for ECG Transformers
• Title（参考訳）: ECG変圧器のビート同期化
• Abstract要約: トランスフォーマーベースの心電図(ECG)モデルは、一般的に波形を固定時間パッチにトークン化する。 本研究では, ビート同期トークン化を生理的根拠のある代替手段として検討した。
• 参考スコア（独自算出の注目度）: 0.7699714865575188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformer-based electrocardiogram (ECG) models commonly tokenize waveforms into fixed temporal patches. Though convenient, fixed patching can split heartbeat structures across token boundaries. We study beat-synchronous tokenization as a physiologically grounded alternative, comparing fixed patches with three beat-aligned strategies: resampled beats, adaptive pooled beats, and resampled beats augmented with R--R interval information. Experiments span two settings: 10-second 12-lead diagnostic classification on PTB-XL after MIMIC-IV-ECG masked pretraining, and 60-second single-lead rhythm classification on Icentia11k after patient-level contrastive pretraining. On PTB-XL, resampled beat tokens achieve the highest mean macro Area Under the ROC Curve (AUROC; 0.8945) and nearly match the best fixed-patch macro Area Under the Precision-Recall Curve (AUPRC; 0.7414), reducing average sequence length from 100 to 11.2 tokens. On Icentia11k, beat-synchronous tokenizers obtain comparable AUPRC to fixed patching with better stability across runs. These results suggest morphology-preserving beat tokenization is a compact, competitive alternative to fixed temporal patching.
• Abstract（参考訳）: トランスフォーマーベースの心電図(ECG)モデルは、一般的に波形を固定時間パッチにトークン化する。 便利だが、固定パッチはトークン境界を越えて心拍構造を分割することができる。 R-R間隔情報で強化した3つのビート整合戦略(resampled beats,aptive pooled beats,resampled beats,resampled beats)と比較した。 MIMIC-IV-ECGマスク前訓練後のTB-XLの10秒12リード診断分類と、患者レベルのコントラスト前訓練後のIcentia11kの60秒60秒シングルリードリズム分類である。 PTB-XLでは、再サンプリングされたビートトークンはROC曲線下(AUROC; 0.8945)で最高平均マクロエリアを達成し、精度・リコール曲線下(AUPRC; 0.7414)で最高の固定パッチマクロエリアとほぼ一致し、平均シーケンス長を100から11.2トークンに短縮する。 Icentia11kでは、ビート同期トークンライザが、実行時の安定性を向上して修正パッチに匹敵するAUPRCを取得する。 これらの結果は、形態保存型ビートトークン化は、固定時間パッチングに代わるコンパクトで競争的な代替手段であることを示している。

関連論文リスト

• On the role of the tokenizer in ECG transformer models [17.2736152244082]
  トークン化は、ECG変換器に提示される生理的内容と、注意が動くシーケンスの両方を決定する。 Transformer, Informer, Reformer, FEDformerの8つのトークン化戦略を比較した。 トークンとECG形態を合わせることで、バックボーン容量を増大させることなく、予測性能とメモリ効率の両方を改善することができる。
  論文  参考訳（メタデータ） (2026-09-14T11:57:34Z)
• The Impact of Temporal Context Length and Encoding Strategies on Self-Supervised ECG Representation Learning [0.8411385346896411]
  心電図(ECG)モデルは、しばしば数秒間の心電図信号に基づいて訓練される。 これらの選択がリズム推定や時間的整合性に必要な情報を犠牲にしているかどうかは不明である。 我々はIcentia11kシングルリードデータセットについて制御された研究を行った。
  論文  参考訳（メタデータ） (2026-08-13T01:18:39Z)
• Angular Gaussian Supervised Contrastive Learning for Long-Tailed Electrocardiogram Arrhythmia Diagnosis [2.963192365615802]
  長期ラベル分布は心電図不整脈診断における深層学習の信頼性を低下させる。 本研究は,長期の多ラベル心電図診断において,Angular Gaussian Supervised Contrastive Learning (AG-SCL)を提案する。
  論文  参考訳（メタデータ） (2026-07-16T06:21:20Z)
• HARP: Hadamard-Preconditioned Adaptive Rotation Processor for Extreme LLM Quantization [48.87937677659571]
  本稿では, HARP (Hadamard-preconditioned Adaptive Rotation Processor) を導入する。 1Bから70Bまでのモデルの2-4ビット設定では、HARPは固定RHTよりもパープレキシティとゼロショット精度を改善している。 HarPはデプロイ効率を保ち、FP16では128トン/秒、61トン/秒に達する。
  論文  参考訳（メタデータ） (2026-05-28T12:24:15Z)
• From Theory to Decision Rule: Calibrating the Noisy-Label Crossover for Vision-Language Model Weak Supervision Across Three Medical-Imaging Benchmarks [41.99844472131922]
  基礎モデル弱いラベルに対するベンチマークキャリブレーションを提供する。 理論によって予測される交差は、PCAMではng100、ISICでは20-50、NIH-CXRでは250-500である。 NIH-CXR上の構造付きvs-ランダムノイズ符号フリップは、境界のレートのみの定式化が不完全であることを示す。
  論文  参考訳（メタデータ） (2026-05-23T23:15:07Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• Representation Before Training: A Fixed-Budget Benchmark for Generative Medical Event Models [0.3250525349446657]
  我々は,表現決定が1世紀前の事前学習予算の共有後の下流予測にどのように影響するかを評価する。 我々はMIMIC-IVで28個の整形トランスを訓練し,30個の臨床結果について評価した。
  論文  参考訳（メタデータ） (2026-04-18T01:38:47Z)
• Differential Attention-Augmented BiomedCLIP with Asymmetric Focal Optimization for Imbalanced Multi-Label Video Capsule Endoscopy Classification [1.2246649738388389]
  本研究は,ビデオカプセル内視鏡(VCE)のためのマルチラベル分類フレームワークを提案する。 アーキテクチャと最適化レベルの戦略を組み合わせることで、Galarデータセットに固有の極端なクラス不均衡に対処する。
  論文  参考訳（メタデータ） (2026-03-18T16:04:50Z)
• BiGain: Unified Token Compression for Joint Generation and Classification [47.040577759493004]
  BiGainは、高速拡散モデルにおける分類を改善しながら、生成品質を保ちながら、トレーニング不要でプラグアンドプレイのフレームワークである。 我々の重要な洞察は周波数分離であり、これは大域的な意味論から細部を解き、生成的忠実さと識別的有用性の両方を尊重する圧縮を可能にする。 本分析は,拡散モデルにおけるトークン圧縮のための信頼性の高い設計規則として,高頻度の細部と低周波数のセマンティクスを保存したスペクトル保持が重要であることを示す。
  論文  参考訳（メタデータ） (2026-03-12T17:55:53Z)
• ECG-RAMBA: Zero-Shot ECG Generalization by Morphology-Rhythm Disentanglement and Long-Range Modeling [0.6875312133832079]
  ECG-RAMBAは、形態学とリズムを分離し、文脈認識融合を通じてそれらを再統合するフレームワークである。 PTB-XLで一貫したクロスデータセット性能を示す。
  論文  参考訳（メタデータ） (2025-12-29T10:14:52Z)
• PAS: A Training-Free Stabilizer for Temporal Encoding in Video LLMs [57.790910044227935]
  ビデオLLMは時間的不整合に悩まされ、フレームタイミングの小さなシフトは注意をそらすことができ、関連するフレームを抑えることができる。 本稿では, 位相アグリゲード平滑化(PAS)について述べる。これは, 頭部に小さな反対位相オフセットを適用して, 出力を集約する学習自由機構である。 解析の結果,RoPE回転ロジットは,時間核でスケールしたコンテントドット積として近似でき,このカーネルを滑らかにすることで,小さな時間シフトに対する注意のリプシッツ安定性が得られ,マルチフェーズ平均化は,Nyquist-valid サンプリング下での頭当たりスペクトルを保ちながら高周波リップルを減衰させることがわかった。
  論文  参考訳（メタデータ） (2025-11-14T05:56:47Z)
• Is Less More? Exploring Token Condensation as Training-free Test-time Adaptation [43.09801987385207]
  対照的に、CLIP(Contrastive Language- Image Pretraining)は、一般化可能な画像表現の学習において優れているが、特定のデータセットのゼロショット推論では不足することが多い。 テスト時間適応(TTA)は、正規化レイヤやコンテキストプロンプトなどのコンポーネントを調整することでこの問題を軽減するが、通常は大きなバッチサイズと広範な拡張を必要とする。 本稿では,TCA(Token Condensation as Adaptation)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T07:13:35Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。