Fugu-MT 論文翻訳(概要): ECGWmark: Deep Watermarking for Electrocardiogram Signals

論文の概要: ECGWmark: Deep Watermarking for Electrocardiogram Signals

arxiv url: http://arxiv.org/abs/2610.13357v1
Date: Fri, 09 Oct 2026 10:32:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.536438
Title: ECGWmark: Deep Watermarking for Electrocardiogram Signals
Title（参考訳）: ECGWmark:心電図信号の深部透かし
Abstract要約: ECGWmarkは、完全に畳み込み、量子化のない、医療時系列のためのディープ透かしフレームワークである。 ECGWmarkは、チャネルビット抽出精度を90%以上維持する。
参考スコア（独自算出の注目度）: 21.61312950224313
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Secure transmission of electrocardiogram (ECG) signals remains a major challenge in telecardiology. While traditional mathematical watermarking can embed patient metadata directly into ECG signals, it is highly fragile against temporal desynchronization such as circular phase shifts. In contrast, existing deep watermarking approaches for temporal signals, such as audio, typically rely on lossy quantization, which compromises the high-frequency micro-morphological details critical for clinical diagnosis. To bridge this gap, we propose ECGWmark, a fully convolutional and quantization-free deep watermarking framework for medical time-series. ECGWmark operates in a continuous, full-resolution latent space and utilizes a localized frame-level mechanism to improve the robustness to severe desynchronization. Crucially, we introduce a differentiable Physiological Loss guided by a clinical classifier to preserve diagnostic semantics. Experiments on the benchmark MIT-BIH database show that ECGWmark maintains channel-bit extraction accuracy above 90% under the evaluated circular temporal shifts. Furthermore, under a rigorous inter-patient diagnostic evaluation, Class-V sensitivity changes from 71.97% to 76.50%, whereas Macro-F1 changes from 35.25% to 34.71% and Class-S sensitivity from 8.89% to 1.39%; these results indicate mixed class-level effects.
Abstract（参考訳）: 心電図(ECG)信号の安全な送信は、心電図における大きな課題である。従来の数学的透かしは、患者メタデータを直接ECG信号に埋め込むことができるが、円形位相シフトのような時間的非同期化に対して非常に脆弱である。対照的に、オーディオのような時間的信号に対する既存のディープ透かしアプローチは、典型的には損失量子化に依存しており、臨床診断に不可欠な高周波マイクロモルフォロジーの詳細を損なう。このギャップを埋めるため,医用タイムシリーズのための完全畳み込み・量子化自由な深層透かしフレームワークであるECGWmarkを提案する。 ECGWmarkは、連続的でフル解像度の潜在空間で動作し、局所化フレームレベル機構を使用して、厳密な非同期化へのロバスト性を改善する。臨床的分類器による診断的意味の保存を目的とした識別可能な生理的損失を導入する。ベンチマークMIT-BIHデータベースでの実験では、ECGWmarkはチャネルビット抽出精度を90%以上維持している。さらに、厳格な患者間診断評価では、クラスV感受性は71.97%から76.50%に変化し、マクロF1は35.25%から34.71%に変化し、クラスS感受性は8.89%から1.39%に変化した。

関連論文リスト

MyoFlow: Anchor-Tied Rectified Flow for HD-sEMG Gesture Recognition Across Sessions and Subjects [5.868325326928246]
myoFlowは、セッションやテーマ間でHD-sEMGを認識するためのフローマッチングフレームワークである。分類をアンカータイドトランスポートとして再キャストし、独立ヘッドなしでゼロショット認識を可能にする。 MyoFlowは91.71%がゼロショット精度、97.39%が数日間CEMHSEYデータセットでほとんどショット精度を達成している。
論文参考訳（メタデータ） (2026-09-15T13:51:13Z)
ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
論文参考訳（メタデータ） (2026-09-04T12:48:25Z)
Angular Gaussian Supervised Contrastive Learning for Long-Tailed Electrocardiogram Arrhythmia Diagnosis [2.963192365615802]
長期ラベル分布は心電図不整脈診断における深層学習の信頼性を低下させる。本研究は,長期の多ラベル心電図診断において,Angular Gaussian Supervised Contrastive Learning (AG-SCL)を提案する。
論文参考訳（メタデータ） (2026-07-16T06:21:20Z)
Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
心電図による心臓の異常は, 長期分布により検出が困難である。我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
論文参考訳（メタデータ） (2026-03-20T07:04:00Z)
CLARAE: Clarity Preserving Reconstruction AutoEncoder for Denoising and Rhythm Classification of Intracardiac Electrograms [37.042025337065816]
CLARAEは1次元エンコーダデコーダである。高忠実度再構成とコンパクトな64次元潜在表現を実現する。
論文参考訳（メタデータ） (2025-09-28T20:39:21Z)
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)
EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
論文参考訳（メタデータ） (2025-08-19T11:12:58Z)
AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
心電図(ECG)は急性心臓発作の検出に非常に敏感である。本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
論文参考訳（メタデータ） (2024-11-17T17:32:58Z)
SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
論文参考訳（メタデータ） (2024-04-15T01:07:08Z)
Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-07T12:15:53Z)

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。