論文の概要: BeatGraph: Self-Supervised Heartbeat Graphs for Infant ECG Representations from the Home Environment

• arxiv url: http://arxiv.org/abs/2609.31546v1
• Date: Fri, 25 Sep 2026 17:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.501142
• Title: BeatGraph: Self-Supervised Heartbeat Graphs for Infant ECG Representations from the Home Environment
• Title（参考訳）: BeatGraph: 家庭環境からの小児心電図表現のための自己改善型心拍グラフ
• Abstract要約: 心電図(ECG)基礎モデルは通常、信号を固定長のパッチにトークン化し、心臓構造を無視する。 これは、心拍数が高く、心電図が成人と異なる乳児にとって最も重要である。 本研究では、心拍を表現単位とし、各30秒のウィンドウをビートグラフとしてモデル化するBeatGraphを提案する。
• 参考スコア（独自算出の注目度）: 2.547690444173916
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electrocardiogram (ECG) foundation models typically tokenize the signal into fixed-length patches that ignore cardiac structure, so a patch may split a heartbeat and the number of beats in each patch shifts with heart rate. This matters most for infants, whose heart rates are higher and whose ECG differs from the adult, clinic-recorded 12-lead data these models are built on. A model for infant ECG should therefore reason about heartbeats directly rather than recover them from arbitrary patches. We propose BeatGraph, which makes the heartbeat its unit of representation, modeling each 30-second window as a graph of beats. A shared beat encoder embeds each heartbeat from its waveform and inter-beat intervals, a Transformer with positional encoding orders the beats in time, and residual graph attention layers relate every beat to every other before attention pooling yields a window embedding. We pretrain BeatGraph on our new corpus of unlabeled infant recordings by predicting masked-beat embeddings, then fine-tune it for each task. One backbone supports sleep-wake detection, infant-state classification, activity-source identification (infant- or caregiver-initiated movement), and affect recognition, improving macro-F1 over the strongest baseline on each task by 0.076 to 0.158. It also transfers across age groups, reaching 0.892 AUROC on the ZZU-pECG pediatric benchmark (ages 0 to 14), within 0.001 of the best published self-supervised ECG model, and matching that model under linear evaluation on the adult PTB-XL benchmark despite infant-only pretraining. Finally, to our knowledge, we release the first public infant ECG corpus collected in homes, classrooms, and laboratory settings with state and affect labels. It contains 3,408 hours of single-channel ECG from 143 infants aged 3 to 11 months, with unlabeled pretraining data, benchmark tasks, and subject-level splits.
• Abstract（参考訳）: 心電図(ECG)基礎モデルは通常、信号を固定長のパッチにトークン化し、心臓構造を無視する。 これは、心拍数が高く、心電図が成人と異なる乳児にとって最も重要である。 したがって、幼児の心電図のモデルでは、任意のパッチから心臓の鼓動を回復するのではなく、直接的に解析する必要がある。 本研究では、心拍を表現単位とし、各30秒のウィンドウをビートグラフとしてモデル化するBeatGraphを提案する。 共有ビートエンコーダは、その波形とビート間隔から各心拍を埋め込み、位置符号化されたトランスフォーマーは、ビートを時間内に順序付けし、残グラフアテンション層は、アテンションプーリングがウィンドウを埋め込む前に、各ビートを互いに関連付ける。 BeatGraphの新しい録音コーパスに、マスク付きビート埋め込みを予測し、タスクごとに微調整することで事前トレーニングを行いました。 1つのバックボーンは、睡眠覚醒検出、幼児状態分類、活動源識別(幼児または介護者開始運動)をサポートし、認識に影響を与え、各タスクにおいて最強のベースラインを0.076から0.158に改善する。 また、ZZU-pECGの小児用ベンチマーク(0～14歳)で0.892 AUROCに達し、最も優れたセルフ教師付きECGモデルの0.001以内に到達し、幼児のみの事前訓練にもかかわらず成人のPTB-XLベンチマークで線形評価されたモデルに適合する。 最後に、我々は、家庭、教室、実験室で収集された最初の公立幼児心電図コーパスを、州とラベルで公開する。 3歳から11か月の乳児143名による1チャンネルECGの3,408時間、ラベルなし事前トレーニングデータ、ベンチマークタスク、対象レベルの分割が含まれている。

関連論文リスト

• CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation [33.42512865785489]
  心電図,PSG,PCGの1つの共有表現を共同で学習するための心臓基礎モデルであるCardioState-JEPAを紹介する。 このモデルは異種波形を共通のトークン空間にマッピングし、単一の共有トランスフォーマーエンコーダで処理し、マスクされた潜在心臓状態を予測することによって学習する。 我々のエンコーダは、平均PSG分類を8.2AUROCポイントで改善し、PCG法を18.8AUROCポイントで、ECG法を15.5AUROCポイントで改善した。
  論文  参考訳（メタデータ） (2026-08-13T08:21:06Z)
• Knowledge-Guided Cross-Modal Fusion for Adult-to-Pediatric ECG Transfer via Label-Conditioned Contrastive Alignment [14.930028755884548]
  成人および小児心電図(ECG)の解釈は年齢感受性基準に依存している。 既存のマルチモーダルECG-テキスト法は、通常、大域的なサンプルレベルで波形とテキストを整列させる。 成人期のMIMIC-IV心電図コーパスを事前訓練した知識誘導フレームワークであるPEACE(Cross-Modal Enhancement)による小児心電図アライメントを提案する。
  論文  参考訳（メタデータ） (2026-07-17T13:11:12Z)
• ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning [50.82313761980655]
  ECG-LLMは186,409人を対象にした4つのコホート679,112のECG研究で訓練されたECG条件付き大言語モデルである。 ECG信号、臨床コンテキスト、CMR、ECHOから導かれる、臨床的に構造化された質問応答対をトレーニングする。 心拍数などの従来の心電図測定を成功させ、複雑なCMR由来の表現型を強く予測する。
  論文  参考訳（メタデータ） (2026-07-15T11:06:35Z)
• 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)
• Interpretable Pre-Trained Transformers for Heart Time-Series Data [15.377534937558744]
  我々は、PTG-PTとECG-PTの2つのトレーニング済み汎用心臓モデルを作成する。 PPGのジクロティックノッチや心電図のP波など,個々の注意が生理学的に反する特徴に反応することを強調した。 これらの事前訓練されたモデルは、心房細動(AF)の分類や、光胸腺撮影におけるビート検出などのタスクにおいて、簡単に微調整できる。
  論文  参考訳（メタデータ） (2024-07-30T12:22:03Z)
• Enhancing Electrocardiogram Signal Analysis Using NLP-Inspired Techniques: A Novel Approach with Embedding and Self-Attention [2.7651063843287718]
  埋め込みと自己注意に基づく新しい心電図解析手法を提案し,心電図データの空間的および時間的依存性を捉える。 91%の精度でF1スコアが得られた。
  論文  参考訳（メタデータ） (2024-07-15T12:20:15Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• 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)
• Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
  本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。 第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。 第2段階は、心拍を幅または幅に分類する分類NNである。 第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
  論文  参考訳（メタデータ） (2020-11-17T16:15:49Z)
• 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。