論文の概要: From ECG Signals to Representative-Morphology Heatmaps for Biometric Recognition

• arxiv url: http://arxiv.org/abs/2609.28183v1
• Date: Wed, 23 Sep 2026 14:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.062664
• Title: From ECG Signals to Representative-Morphology Heatmaps for Biometric Recognition
• Title（参考訳）: 生体認証のための心電図信号から代表形態熱マップへ
• Abstract要約: 本稿では,ECGXトラクタから適応した決定論的ECG画像表現である代表型熱マップを紹介する。 ブロック平均に最も近い5つのビートは、10個のビートの各ブロック内において、400×Lマトリクスに平均化され、従来のトレースまたは高密度心時差ヒートマップとしてレンダリングされる。 PTB,ECG-ID,MIMIC-IV-ECG-DEMOの検証とクローズドセット同定を行った。
• 参考スコア（独自算出の注目度）: 0.23166812624868952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrocardiography (ECG) contains subject-specific morphology that supports biometric recognition, yet image-based performance depends on how the waveform is rendered. We introduce representative-morphology heatmaps, a deterministic ECG-to-image representation adapted from ECGXtractor. Within each block of ten aligned beats, the five beats closest to the block mean are averaged into a 400 by L matrix and rendered either as a conventional trace or as a dense cardiac-time-by-lead heatmap. Since both representations contain identical physiological samples, their comparison isolates the effect of rendering. We evaluate verification and closed-set identification on PTB, ECG-ID, and MIMIC-IV-ECG-DEMO. Five compact models, including ZACH-ViT, are trained from scratch, while six ImageNet-pretrained CNN and transformer backbones assess model scale and visual transfer. Heatmaps improve both FNMR operating points and both identification ranks in all 15 compact model-dataset comparisons, while EER improves in 14. Across the matched experiments, EER decreases by 9.59 percentage points and Rank-1 increases by 24.69 points on average. ConvNeXt-Tiny reaches 2.43% EER on PTB and 5.79% on ECG-ID, whereas DeiT-Base reaches 14.92% on MIMIC-DEMO. ImageNet initialization clearly benefits the two multilead datasets but has a mixed effect on ECG-ID, and performance does not increase monotonically with model size. The best heatmap systems approach the strongest signal-domain EER on PTB and ECG-ID, while DeiT-Base provides the strongest evaluated performance on MIMIC-DEMO. Lead-channel ablation further shows that useful channel combinations depend on the cohort and biometric task. Overall, representative-morphology heatmaps provide an effective image representation for ECG verification and identification.
• Abstract（参考訳）: 心電図(ECG)は生体認証をサポートする主観的形態を含むが、画像に基づく性能は波形の描画方法に依存する。 本稿では,ECGXトラクタから適応した決定論的ECG画像表現である代表型熱マップを紹介する。 ブロック平均に最も近い5つのビートは、10個のビートの各ブロック内において、400×Lマトリクスに平均化され、従来のトレースまたは高密度心時差ヒートマップとしてレンダリングされる。 どちらの表現も同一の生理的サンプルを含むため、それらの比較はレンダリングの効果を分離する。 PTB,ECG-ID,MIMIC-IV-ECG-DEMOの検証とクローズドセット同定を行った。 ZACH-ViTを含む5つのコンパクトモデルがゼロからトレーニングされ、6つのImageNet事前トレーニングされたCNNとトランスフォーマーバックボーンがモデルスケールと視覚伝達を評価する。 熱マップはFNMR操作点と識別ランクの両方を15個のコンパクトモデルデータセット比較で改善し、EERは14。 一致した実験全体で、EERは9.59ポイント、ランク1は平均24.69ポイント上昇した。 ConvNeXt-TinyはTBで2.43%、ECG-IDで5.79%、DeiT-BaseはMIMIC-DEMOで14.92%に達する。 ImageNetの初期化は、明らかに2つのマルチリードデータセットの恩恵を受けるが、ECG-IDに混合効果があり、モデルサイズとともにパフォーマンスが単調に向上しない。 The best heatmap system approach the most signal- domain EER on PTB and ECG-ID while DeiT-Base provides the most evaluation performance on MIMIC-DEMO。 鉛チャネルアブレーションは、有用なチャネルの組み合わせがコホートと生体計測のタスクに依存することを示す。 全体として、代表形態のヒートマップは、ECGの検証と識別に有効な画像表現を提供する。

関連論文リスト

• 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)
• Masked Training for Robust Arrhythmia Detection from Digitalized Multiple Layout ECG Images [15.710783507780903]
  この研究は適応的可変ブロック数欠落表現学習のためのフレームワークであるPatchECGを導入した。 PatchECGは、リード間の協調依存関係を持つキーパッチに自動的にフォーカスし、異なるレイアウトのECGにおける不整脈をキー認識する。
  論文  参考訳（メタデータ） (2025-08-06T07:55:05Z)
• Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning [0.0]
  本研究は心電図信号からの心拍を2つの異なるアプローチで分類する。 従来の機械学習は、手作りの機能と、ECGビートを変換した画像によるディープラーニングを利用している。 SVMやAdaBoostのようなモデルではスコアが大幅に低くなり、このタスクには限定的な適合性を示した。
  論文  参考訳（メタデータ） (2025-06-02T05:16:16Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Amplitude-Phase Fusion for Enhanced Electrocardiogram Morphological Analysis [5.829027334954726]
  本稿では,新しい融合エントロピー計量であるモルフォロジーECGエントロピー(EE)を初めて提案する。 EEは異常心電図不整脈領域の迅速かつ正確かつラベルフリーな局在を実現する。 EEは品質の悪い領域を記述する能力を示す。
  論文  参考訳（メタデータ） (2024-04-15T12:29:16Z)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• 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)
• ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
  本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。 MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。 不整脈では99.7%,MIでは99.2%の分類が得られた。
  論文  参考訳（メタデータ） (2021-07-21T03:48:35Z)

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。