Fugu-MT 論文翻訳(概要): TinyCardioUNet: IMU-to-ECG Translation with Graph-Encoded Inter-Axis Dependencies and Tensor Decomposition-Based Parameter Reduction

論文の概要: TinyCardioUNet: IMU-to-ECG Translation with Graph-Encoded Inter-Axis Dependencies and Tensor Decomposition-Based Parameter Reduction

arxiv url: http://arxiv.org/abs/2609.29322v1
Date: Thu, 24 Sep 2026 10:00:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:09.824728
Title: TinyCardioUNet: IMU-to-ECG Translation with Graph-Encoded Inter-Axis Dependencies and Tensor Decomposition-Based Parameter Reduction
Title（参考訳）: TinyCardioUNet: Graph-Encoded Inter-Axis Dependencies and Tensor Decomposition-Based Parameter ReductionによるIMU-to-ECG変換
Abstract要約: 胸部慣性測定装置(IMU)から心電図を推定することで、電極の不快さを伴わない連続心拍数(HR)モニタリングが可能になる。チャネル選択なしで6つのIMU軸すべてを利用する軽量UNetであるTinyCardioUNetを提案する。公開データセット上では、TinyCardioUNetは$0.098$のRMSEと$0.677$のピアソン相関係数を36.0$kのパラメータで達成している。
参考スコア（独自算出の注目度）: 2.5568776502870993
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimating electrocardiography (ECG) from a chest-worn inertial measurement unit (IMU) enables continuous heart rate (HR) monitoring without the discomfort of electrodes. We propose TinyCardioUNet, a lightweight UNet that uses all six IMU axes without prior channel selection, refines its bottleneck with a graph neural network that encodes inter-axis dependencies, and employs tensor decomposition with automatic variational Bayesian rank selection for parameter reduction. On a public dataset, TinyCardioUNet achieves an RMSE of $0.098$ and a Pearson correlation coefficient of $0.677$ with only $36.0$k parameters and remains comparatively robust to additive noise, demonstrating accurate ECG reconstruction with a compact model.
Abstract（参考訳）: 胸部慣性測定装置(IMU)からの心電図(ECG)の推定は、電極の不快さを伴わずに連続心拍数(HR)モニタリングを可能にする。先行チャネル選択なしで6つのIMU軸すべてを使用する軽量なUNetであるTinyCardioUNetを提案する。公開データセット上では、TinyCardioUNetは$0.098$のRMSEと$0.677$のピアソン相関係数をわずか36.0$kのパラメータで達成し、小さなモデルで正確なECG再構成を示す。

関連論文リスト

Target-Aware State-Adaptive $p$-Dirichlet Graph Neural Regression for Non-Invasive Body-Composition Estimation [1.8438514874421958]
身体構成結果の正確な評価は代謝,骨格,筋の健康を評価する上で重要である。非侵襲的人文計測からこれらの結果を評価するために,ターゲット対応の$p$-Dirichletグラフニューラル回帰フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-30T01:27:28Z)
Domain-Adapted Fine-Tuning of ECG Foundation Models for Multi-Label Structural Heart Disease Screening [9.031528782284935]
心電図(ECG)基礎モデルがエコー確認型多ラベル心疾患検出をサポートできるかどうかを検討した。我々は,ECGの工学的特徴と,勾配向上,スクラッチからのエンドツーエンドの波形学習,オープンECG基盤モデルからの転送を比較した。適応型ECG-FMモデルは全体的な性能を最高のものにした。
論文参考訳（メタデータ） (2026-04-25T17:27:42Z)
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)
Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
論文参考訳（メタデータ） (2025-06-24T17:19:39Z)
Cardioformer: Advancing AI in ECG Analysis with Multi-Granularity Patching and ResNet [0.6919386619690135]
Cardioformerは、新しいマルチグラニュラリティハイブリッドモデルである。チャネル間のパッチ、階層的残差学習、および2段階の自己認識機構を統合している。一貫して4つの最先端のベースラインを上回ります。
論文参考訳（メタデータ） (2025-05-08T16:44:21Z)
Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文参考訳（メタデータ） (2023-08-16T14:57:12Z)
Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using Deep Computational Models for Inverse Inference [6.447210290674733]
シミュレーションされたQRSから脳梗塞の位置と分布を推定するために,二分岐変分オートエンコーダと推論モデルからなる新しい深部計算モデルを提案する。感度分析により、脳梗塞の特徴と電気生理学的特徴との複雑な関係の理解が促進される。
論文参考訳（メタデータ） (2023-07-10T08:54:12Z)
Skeleton Graph-based Ultrasound-CT Non-rigid Registration [40.40844749663152]
皮膚下骨表面の特徴を用いて患者固有の特性を適応させるスケルトングラフに基づく非リグイド登録を提案する。提案手法を検証するために,1人のボランティアと7つのCT軟骨点群から,異なる患者からUS軟骨点群を手動で抽出した。
論文参考訳（メタデータ） (2023-05-14T19:21:43Z)
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)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。