論文の概要: Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU

• arxiv url: http://arxiv.org/abs/2609.08992v1
• Date: Tue, 08 Sep 2026 16:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.695357
• Title: Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU
• Title（参考訳）: ICUにおける偽心室頻拍軽減のための物理インフォームドディープラーニング
• Abstract要約: 軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。 本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.313512671851306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: False ventricular tachycardia (VT) alarms are a leading contributor to alarm fatigue in intensive care units. We propose a deep learning framework combining a 1D SE-ResNet with ICU-realistic data augmentations and a physics-informed auxiliary reconstruction task based on the three-element Windkessel hemodynamic model, implemented as a differentiable forward simulation. By requiring the network's latent representation to produce physiologically plausible arterial pressure waveforms, artifact-driven ECG patterns are penalized while true VT remains coherent across modalities. Evaluated on the VTaC benchmark under a strict real-time protocol (10-second pre-alarm window), our method achieves a 5-point Challenge Score improvement over prior state-of-the-art. Ablation studies confirm that the physics-informed objective is the primary performance driver, providing gains in accuracy, 2x label efficiency, and more localized and clinically meaningful ECG segments.
• Abstract（参考訳）: 軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。 本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせた深層学習フレームワークを提案する。 生理学的にプラウジブルな動脈圧波形を生成するためにネットワークの潜在表現を必要とすることにより、人工心電図のパターンはペナル化され、真のVTはモダリティにわたってコヒーレントである。 厳密なリアルタイムプロトコル(10秒前のプレアラームウィンドウ)の下でのVTaCベンチマークで評価し,従来よりも5ポイントのチャレンジスコア向上を実現した。 アブレーション研究は、物理インフォームドの対象が主性能ドライバであり、精度、ラベル効率が2倍になり、より局所的で臨床的に有意義なECGセグメントが得られることを確認した。

関連論文リスト

• Self-Supervised Cardiac Phase Detection via Single-Parameter Latent Orbits [44.45620787098836]
  心エコー図におけるエンドジストール (ED) とエンドジストール (ES) の正確な同定は、心機能の定量化を支えている。 最近の自己監督手法は、厳密な周期軌道を規定するか、あるいは再構成や登録目的から制約のない低次元運動部分空間を学習する。 我々は、効率的な潜在軌道を学習し、EDローカライゼーションにおける技術の以前の状態を大幅に改善し、ESローカライゼーションにおいて、より制約のある表現とより少ないトレーニングエポックを用いて、それをマッチングする。
  論文  参考訳（メタデータ） (2026-09-10T14:56:16Z)
• Test-Time Adaptation for ECG Classification via SQI-Gated Self-Training and Beat-Rhythm Consistency [23.899678708493088]
  テスト時間適応(TTA)は、推論時にラベルのないデータのみを使用してモデルを適用することで、実用的なソリューションを提供する。 本稿では,ECGのノイズ観測と,ドメインシフト下での構造的ビートリズムセマンティクスを明示的に考慮した,ECG対応TTAフレームワークであるBeatRhythm-TTAを提案する。
  論文  参考訳（メタデータ） (2026-08-24T14:59:27Z)
• 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)
• BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
  BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。 局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。 例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
  論文  参考訳（メタデータ） (2026-01-12T08:37:47Z)
• 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)
• SS-DPPN: A self-supervised dual-path foundation model for the generalizable cardiac audio representation [2.013977297550879]
  Self-Supervised Dual-Path Prototypeal Network (SS-DPPN)は、心臓のオーディオ表現とラベルなしデータからの分類のための基礎モデルである。 SS-DPPNは4つの心臓オーディオベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-12T17:43:57Z)
• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
  短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。 新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
  論文  参考訳（メタデータ） (2024-07-25T13:27:10Z)
• 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)

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。