論文の概要: BeatFlow-ECG: Rectified Flow for ECG Reconstruction from Indirect Wearable Signals
- arxiv url: http://arxiv.org/abs/2610.09052v1
- Date: Tue, 06 Oct 2026 20:00:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.588199
- Title: BeatFlow-ECG: Rectified Flow for ECG Reconstruction from Indirect Wearable Signals
- Title（参考訳）: BeatFlow-ECG:間接ウェアラブル信号からのECG再構成のための整流
- Abstract要約: 本研究では,単チャンネルECGを同期計測により再構成する条件整流モデルBeatFlow-ECGを提案する。
PPG-DaLiA および WESAD 上での残余オブジェクトアウトプロトコルによるモデルの評価を行った。
- 参考スコア（独自算出の注目度）: 2.5059072017053805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous cardiac monitoring outside clinical settings requires signals that are both informative and practical to collect during daily life. Electrocardiography (ECG) provides rich information about cardiac rhythm and waveform morphology, while wearable photoplethysmography (PPG) is easier to acquire continuously but is only an indirect cardiovascular measurement and is highly sensitive to motion. We present BeatFlow-ECG, a conditional rectified-flow model for reconstructing single-channel ECG from synchronized PPG and inertial measurements. BeatFlow-ECG models reconstruction as conditional transport from noise to ECG using a convolutional encoder-decoder with a transformer bottleneck and explicit flow-time conditioning. Motion information is incorporated through IMU-derived conditioning features, motion-dependent loss weighting, and an easy-to-hard training curriculum. We evaluate the model under leave-one-subject-out protocols on PPG-DaLiA and WESAD. BeatFlow-ECG achieves the best results among the evaluated deterministic, adversarial, and diffusion-based baselines across all reported waveform and beat-timing metrics, with Pearson correlations of 0.983 and 0.986 and R-peak F1 scores of 0.946 and 0.955, respectively. Compared with Conditional DDPM-1D, L1 error decreases from 0.085 to 0.062 on PPG-DaLiA and from 0.074 to 0.055 on WESAD. Additional analyses on PPG-DaLiA show higher correlation in fixed R-peak-relative waveform regions and lower reconstruction error across low-, medium-, and high-motion subsets.
- Abstract（参考訳）: 臨床外の連続心臓モニタリングは、日常生活において情報的かつ実用的なシグナルを必要とする。
心電図(ECG)は、心リズムと波形形態に関する豊富な情報を提供するが、ウェアラブル型光胸腺造影(PPG)は、連続的な取得が容易であるが、間接的心血管計測のみであり、動作に非常に敏感である。
同期PSGと慣性測定から単一チャネルECGを再構成するための条件整流モデルBeatFlow-ECGを提案する。
BeatFlow-ECGは、コンボリューショナルエンコーダデコーダを用いて、ノイズからECGへの条件伝達として再構成する。
動作情報は、IMUから派生した条件付け機能、動作依存の損失重み付け、および容易にハードなトレーニングカリキュラムを通じて組み込まれている。
PPG-DaLiA および WESAD 上での残余オブジェクトアウトプロトコルによるモデルの評価を行った。
BeatFlow-ECG は,Pearson の 0.983 と 0.986 と R-peak F1 の 0.946 と 0.955 の 0.955 の相関で,各報告された波形, ビート・タイピングの指標に対して, 決定性, 対角, 拡散に基づくベースラインの評価において, 最良の結果を得た。
条件付きDDPM-1Dと比較すると, PPG-DaLiAでは0.085から0.062に, WESADでは0.074から0.055に低下する。
PPG-DaLiAのさらなる解析は、R-peak-relative waveform領域における高い相関を示し、低、中、高運動サブセット間の再構成誤差を低くする。
関連論文リスト
- One Frame, Full Heartbeat: ECG-Free Cardiac Cine MRI Synthesis via Phase-Conditioned Flow Matching [10.224630970061252]
心臓の全循環を捉えるための統合的生成フレームワークであるPhaseFlowについて紹介する。
PhaseFlowは、すべてのベースラインにおいて、最高のLV体積曲線であるR2$、構造類似性(SSIM)、生成品質(FID)で、優れた生理的忠実性とイメージリアリズムを実現する。
論文 参考訳（メタデータ） (2026-10-07T03:56:29Z) - Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
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。
論文 参考訳（メタデータ） (2026-09-08T16:33:07Z) - CardioFusion-AI: Robust ECG--PPG Fusion for Multimodal Physiological Monitoring Under Signal Degradation [0.0]
ウェアラブル心電図(ECG)と光胸波センサ(modal)は相補的ではあるが個別に脆弱である。
両方のモダリティが等しく信頼に値すると仮定する融合戦略は、分解中の単一のクリーンなモダリティよりも信頼性が低い。
本稿では,R-peakとsystolic-peakを含む信号処理フロントエンドであるCardioFusion-AI,Orphanidou型信号品質指標,ビート・バイ・ビートパルス遷移時間推定について述べる。
論文 参考訳（メタデータ） (2026-08-26T16:48:14Z) - 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) - CFD-Guided Detection of Concept Drift in Multimodal Physiologic Signals [0.7739635712759623]
心臓血管型AIモデルは、クリーンな心電図(ECG)信号を分類することができるが、実際のウェアラブル信号は、運動、呼吸、姿勢、センサー接触、そして真の臨床劣化によって変化する。
本稿では、モデルをいつ予測し、変更し、不確実性をフラグするべきかを問う。
本稿では, モデル内の変化と信号の計測可能な変化を比較する, PECSと呼ばれる生理的安定性の枠組みを提案する。
論文 参考訳（メタデータ） (2026-08-07T20:48:49Z) - PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation [51.79176059799321]
フォトプレチスモグラフィーはウェアラブルではユビキタスであるが、ECG特有の診断形態は欠如している。
既存の手法は統計アライメントとデータ駆動生成に依存している。
生理的誘導型潜在フローフレームワークであるPG-LRFを提案する。
論文 参考訳（メタデータ） (2026-05-09T07:39:58Z) - FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。
はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。
伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-09-10T19:48:07Z) - Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。
しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。
本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。
本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文 参考訳（メタデータ） (2025-02-10T13:33:12Z) - 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) - 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)
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。