論文の概要: A Hybrid CNN--State-Space--Attention Backbone with Joint-Embedding Predictive Pretraining for 12-Lead ECG Classification

• arxiv url: http://arxiv.org/abs/2609.29376v1
• Date: Thu, 24 Sep 2026 10:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.855058
• Title: A Hybrid CNN--State-Space--Attention Backbone with Joint-Embedding Predictive Pretraining for 12-Lead ECG Classification
• Title（参考訳）: 12レベル心電図分類のための複合CNN-状態空間アテンションバックボーン
• Abstract要約: 本稿では,12誘導心電図分類のためのハイブリッドCNN-SSM-Attentionバックボーンを提案する。 畳み込みステムは、初期波形のトークン化と時間的縮小、混合状態空間と深さ方向の畳み込みブロックにより、時間的ダイナミクスと局所形態をモデル化する。 ラベルのないデータからの転送を改善するため,我々はECG指向のジョイントエンベディング予測予測予測フレームワークをさらに開発する。
• 参考スコア（独自算出の注目度）: 2.6647942569142864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic 12-lead electrocardiogram (ECG) classification requires representations that jointly capture local waveform morphology, long-range temporal dynamics, and cross-lead dependencies, yet integrating these properties within a single efficient architecture remains challenging. This paper introduces a hybrid CNN-SSM-Attention backbone for 12-lead ECG classification. A convolutional stem performs early waveform tokenization and temporal reduction, mixed state-space and depthwise-convolutional blocks model temporal dynamics and local morphology, and a late self-attention stage enables global token interaction at reduced resolution. To improve transfer from unlabeled data, we further develop an ECG-oriented Joint-Embedding Predictive Pretraining (JEPA) framework. Unlike ViT-based JEPA methods that mask patch tokens before the encoder, the proposed method samples span masks at the latent temporal resolution and projects them back to the waveform domain, then predicts clean latent targets from a momentum encoder without waveform reconstruction. Experiments on CPSC2018, Chapman-Shaoxing, and PTB-XL, with pretraining on approximately 350K unlabeled CODE-15 recordings, show that the proposed backbone provides strong supervised baselines under a compact parameter budget. JEPA pretraining further improves transfer, particularly in reduced-label settings and under both full fine-tuning and LoRA-based adaptation. Code: https://github.com/yakoubbazi/Hybrid_ECG_Jepa
• Abstract（参考訳）: 自動12誘導心電図(ECG)分類では、局所波形形態、長距離時間的ダイナミックス、およびクロスリード依存性を共同でキャプチャする表現が必要であるが、これらの特性を単一の効率的なアーキテクチャに統合することは依然として困難である。 本稿では,12誘導心電図分類のためのハイブリッドCNN-SSM-Attentionバックボーンを提案する。 畳み込みステムは、初期波形のトークン化と時間的縮小、混合状態空間と深度方向の畳み込みブロックが時間力学と局所形態をモデル化し、後期自己保持段階は分解能の低下でグローバルトークンの相互作用を可能にする。 ラベルのないデータからの転送を改善するため,我々はECG指向のJEPA(Joint-Embedding Predictive Pretraining)フレームワークをさらに開発する。 エンコーダの前のパッチトークンをマスクするVTベースのJEPA法とは異なり、提案手法は潜時解像度でマスクを分割し、それらを波形領域に投影し、波形再構成なしで運動量エンコーダからクリーン潜時ターゲットを予測する。 CPSC2018, Chapman-Shaoxing, PTB-XLの実験では、約350KのラベルのないCODE-15レコードを事前訓練し、提案されたバックボーンは、コンパクトなパラメータ予算の下で強力な教師付きベースラインを提供することを示した。 JEPA事前トレーニングは、特にラベルの縮小やフル微調整とLoRAベースの適応の両方の下で、転送をさらに改善する。 コード:https://github.com/yakoubbazi/Hybrid_ECG_Jepa

関連論文リスト

• 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)
• 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)
• Adaptive Data Compression and Reconstruction for Memory-Bounded EEG Continual Learning [0.0]
  教師なし個別連続学習(UICL)のための適応データ圧縮・再構成(ADaCoRe)を提案する。 ADaCoReは、サリエンシ駆動のパーソナライゼーション保護、有理多相圧縮、保護された指標に対する動詞による副次再構成、適応的初期維持のためのプロトタイプ-自信選択からなるメモリ効率の高いパイプラインである。
  論文  参考訳（メタデータ） (2026-05-04T18:59:35Z)
• Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
  我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。 コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
  論文  参考訳（メタデータ） (2026-04-28T19:21:21Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• JEPA as a Neural Tokenizer: Learning Robust Speech Representations with Density Adaptive Attention [47.304088800992474]
  本稿では,JEPA(Joint-Embedding Predictive Architecture)とDAAM(Dedentity Adaptive Attention Mechanism)を組み合わせた2段階の自己組織化フレームワークを提案する。 Stage1はJEPAとDAAMを使用して、波形再構成から完全に切り離された潜在空間におけるマスク付き予測を通じてセマンティックオーディオ機能を学ぶ。 Stage2は、これらの表現をFinite Scalar Quantization (FSQ)とMix-radix Packingスキームを用いた効率的なトークン化に利用し、次いでHiFi-GANデコーダを用いた高忠実な波形再構成を行う。
  論文  参考訳（メタデータ） (2025-12-08T05:01:51Z)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• NeuroHD-RA: Neural-distilled Hyperdimensional Model with Rhythm Alignment [1.1514907665987528]
  心電図(ECG)に基づく疾患検出のための新規かつ解釈可能な枠組みを提案する。 本稿では、RR間隔に基づくリズム認識およびトレーニング可能な符号化パイプライン、生理学的信号セグメンテーション戦略を導入する。 我々のフレームワークは、エッジ互換のECG分類のための効率的でスケーラブルなソリューションを提供し、解釈可能でパーソナライズされた健康モニタリングの強力な可能性を秘めている。
  論文  参考訳（メタデータ） (2025-07-12T20:22:48Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)

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。