Fugu-MT 論文翻訳(概要): QECGBERT: A Scalable ECG Foundation Model Based on Self-Supervised Language Learning via VQ-VAE Waveform Tokenization

論文の概要: QECGBERT: A Scalable ECG Foundation Model Based on Self-Supervised Language Learning via VQ-VAE Waveform Tokenization

arxiv url: http://arxiv.org/abs/2610.33964v1
Date: Sun, 25 Oct 2026 00:37:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.494123
Title: QECGBERT: A Scalable ECG Foundation Model Based on Self-Supervised Language Learning via VQ-VAE Waveform Tokenization
Title（参考訳）: QECGBERT:VQ-VAE波形トークン化による自己教師付き言語学習に基づくスケーラブルECG基礎モデル
Abstract要約: AIファンデーションモデルは心電図(ECG)データから心臓疾患の診断を進める上で重要な役割を担っている。本稿では,P,QRS,T,等電的背景波形をトークン化し,生理的意味を明示的に符号化する自己教師型ECG言語モデルQECGBERTを提案する。 BERTは、公開されたベンチマークと同等または優れたパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 6.773915816261982
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AI foundation models play a pivotal role in advancing heart disease diagnosis from electrocardiogram (ECG) data, particularly for rare diseases where the lack of sufficient labeled data hinders supervised learning. However, most self-supervised learning methods treat ECGs as generic sequence or image data without exploiting underlying physiological structure. To address this limitation, we propose QECGBERT, a self-supervised ECG language model that explicitly encodes physiological semantics by tokenizing the P, QRS, T, and isoelectric background waveforms. Vector-quantized variational autoencoder (VQ-VAE) tokenization is applied to each 12-lead ECG, with tokens enriched by continuous waveform features to preserve morphology lost during quantization without increasing sequence length. This design enables compact BERT masked language modeling with short sequences, improving scalability and reducing computational cost relative to long-sequence approaches. QECGBERT applies BERT pre-training to the MIMIC-IV dataset containing over 800,000 unlabeled ECG recordings, and fine-tuning on labeled PTB-XL, CPSC2018, and Chapman--Shaoxing--Ningbo datasets for evaluation. The results demonstrate that QECGBERT achieves comparable or superior performance to published benchmarks, offering a scalable, physiologically aware approach to ECG foundation modeling for cardiac diagnosis.
Abstract（参考訳）: AIファンデーションモデルは、心電図(ECG)データ、特に十分なラベル付きデータの欠如が教師付き学習を妨げる稀な疾患において、心臓疾患の診断を促進する上で重要な役割を担っている。しかし、ほとんどの自己教師付き学習方法は、基礎となる生理構造を活用せずに、ECGをジェネリックシーケンスや画像データとして扱う。この制限に対処するために,P,QRS,T,等電背景波形をトークン化し,生理的意味を明示的に符号化する自己教師付きECG言語モデルQECGBERTを提案する。ベクトル量子化変分オートエンコーダ(VQ-VAE)トークン化は、連続波形特徴により富んだトークンを用いて、シーケンス長を増大させることなく量子化時に失われた形態を保存する。この設計により、ショートシーケンスによるコンパクトなBERTマスキング言語モデリングが可能となり、拡張性を改善し、長いシーケンスアプローチと比較して計算コストを削減できる。 QECGBERTは、80,000以上のラベル付きECGレコードを含むMIMIC-IVデータセットにBERTを事前トレーニングし、ラベル付きTB-XL、CPSC2018、Chapman-Shaoxing-Ningboデータセットを微調整して評価する。その結果、QECGBERTは、心疾患診断のための心電図基礎モデリングへのスケーラブルで生理学的に認識されたアプローチを提供することにより、公表されたベンチマークと同等または優れた性能を達成できることを示した。

関連論文リスト

CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy [37.81373064028234]
コントラスト的かつ再構成的な事前学習パラダイムであるCoRe-ECGを提案する。 CoRe-ECGは、再構成中にグローバルな表現を整列し、インスタンスレベルの識別信号によって局所的な波形回復を導出する。本手法は,複数のダウンストリームECGデータセットにまたがる最先端の性能を実現する。
論文参考訳（メタデータ） (2026-04-13T11:56:43Z)
RhythmBERT: A Self-Supervised Language Model Based on Latent Representations of ECG Waveforms for Heart Disease Detection [8.583942286312135]
心電図(ECG)解析は心疾患の診断に不可欠である。ほとんどの自己教師付き学習方法は、ECGを一般的な時系列として扱う。本稿では,ECGを言語パラダイムとする生成ECG言語モデルであるRhythmBERTを提案する。
論文参考訳（メタデータ） (2026-02-26T14:45:29Z)
ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation [1.7152890789230053]
深層学習は心電図(ECG)の診断において専門家レベルのパフォーマンスを達成したが、これらのモデルの「黒い箱」の性質は臨床展開を妨げている。本稿では,高分解能12リードECG分類に適した解釈可能なメソモルフィックニューラルネットワークECG-IMNを提案する。
論文参考訳（メタデータ） (2026-02-10T09:17:29Z)
Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
論文参考訳（メタデータ） (2025-11-13T02:57:10Z)
Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
論文参考訳（メタデータ） (2025-08-24T10:44:24Z)
xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM [14.02717596836022]
本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
論文参考訳（メタデータ） (2025-04-14T16:12:46Z)
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)
ECGBERT: Understanding Hidden Language of ECGs with Self-Supervised Representation Learning [6.0106590095197605]
ECGBERTは、ECGの基本言語をアンロックする自己教師付き表現学習アプローチである。我々は,ECGBERTが様々なタスクで最先端の成果を得られる可能性を実証する。
論文参考訳（メタデータ） (2023-06-10T04:23:08Z)
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)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。