論文の概要: TransECG-SSL: Hybrid Self-Supervised Representation Learning for ECG Arrhythmia Classification

• arxiv url: http://arxiv.org/abs/2610.35378v1
• Date: Mon, 26 Oct 2026 13:01:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.93504
• Title: TransECG-SSL: Hybrid Self-Supervised Representation Learning for ECG Arrhythmia Classification
• Title（参考訳）: TransECG-SSL:ECG不整脈分類のためのハイブリッド自己スーパービジョン表現学習
• Abstract要約: クロスデータセットの一般化は、自動心電図(ECG)不整脈分類の大きな課題である。 本報告では,心電図データから心拍データを読み取るための自己教師型フレームワークであるTransECG-SSLを提案する。
• 参考スコア（独自算出の注目度）: 5.992990472852887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-dataset generalisation remains a major challenge for automated electrocardiogram (ECG) arrhythmia classification because of differences in patient populations, acquisition protocols, annotation practices, and class distributions. Learning representations that remain informative across independent datasets could reduce reliance on dataset-specific labelled data. We propose TransECG-SSL, a self-supervised framework for transferable heartbeat representation learning from unlabelled ECG data. A Transformer encoder is pretrained using a hybrid objective combining masked signal reconstruction and contrastive learning, then frozen and evaluated by linear probing under patient-disjoint evaluation. Experiments across three public ECG databases and seven source--target settings show that Hybrid SSL consistently outperforms randomly initialised Transformers and achieves higher balanced accuracy than architecture-matched source-supervised pretraining. Reconstruction-only SSL remains competitive with Hybrid SSL, whereas contrastive-only pretraining performs substantially worse, highlighting the importance of masked reconstruction for transferability. Cross-dataset transfer nevertheless reduces balanced accuracy relative to target-specific self-supervised pretraining, while minority arrhythmia classes remain challenging under severe class imbalance. These findings demonstrate the potential of label-efficient self-supervised learning for cross-dataset ECG representation transfer while highlighting persistent limitations from domain shift and class imbalance.
• Abstract（参考訳）: クロスデータセットの一般化は、患者集団、取得プロトコル、アノテーションの実践、クラス分布の違いにより、心電図(ECG)不整脈分類の大きな課題である。 独立したデータセット間で情報的であり続ける学習表現は、データセット固有のラベル付きデータへの依存を減らすことができる。 本報告では,心電図データから心拍データを読み取るための自己教師型フレームワークであるTransECG-SSLを提案する。 マスク付き信号再構成とコントラスト学習を組み合わせたハイブリッド目標を用いてトランスフォーマーエンコーダを事前訓練し、その後、患者分離評価の下で線形探索により凍結・評価する。 3つのパブリックECGデータベースと7つのソース-ターゲット設定による実験によると、ハイブリッドSSLはランダムに初期化されたトランスフォーマーより一貫して優れており、アーキテクチャに適合したソース管理事前トレーニングよりも高いバランスの取れた精度を実現している。 リコンストラクションのみのSSLはHybrid SSLと競合するが、コントラストのみの事前トレーニングは大幅に悪化し、転送性に対するマスク付きリストラクションの重要性が強調された。 にもかかわらず、データセット間の転送は、ターゲット固有の自己教師付き事前訓練と比較してバランスの取れた精度を低下させる一方、少数派の不整脈クラスは深刻な階級不均衡の下で難しいままである。 これらの結果から, ドメインシフトやクラス不均衡による永続的制約を強調しつつ, ラベル効率の高い自己教師型学習が, クロスデータセットECG表現伝達に有効であることが示された。

関連論文リスト

• 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)
• Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement [2.3270574907955286]
  生成モデルが有用な人工運動画像(MI)の脳波検査(EEG)に有効かどうかを検討する。 本研究は,Zhouモータ画像データセットに潜在型分類器を組み込んだクラス条件変分オートエンコーダ(CVAE)を訓練する。 結果は、独立した拡張ドロー、ランダムな種(ユーザ内)、あるいはout-one-subject-out フォルダに集約される。
  論文  参考訳（メタデータ） (2026-07-22T12:16:16Z)
• 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)
• ECG Classification on PTB-XL: A Data-Centric Approach with Simplified CNN-VAE [0.0]
  我々は,データ前処理,クラスバランシング,単純化された畳み込みニューラルネットワークが,モデル複雑性を大幅に低減して競合性能を実現することを示す。 87.01%のバイナリ精度と0.7454の重み付きF1スコアを5つの診断クラスで達成し,トレーニング可能なパラメータは197,093であった。
  論文  参考訳（メタデータ） (2026-03-08T09:43:31Z)
• Comparative Analysis of Data Augmentation for Clinical ECG Classification with STAR [0.0]
  正弦波時間振幅サンプリング(Sinusoidal Time-Amplitude Resampling, STAR)は、連続するRピーク間で厳密に動作するビートワイド増幅である。 STARは実践的なパイプラインのために設計されており、 (i) ピークや間隔を損なうことなくトレーニングの多様性を拡大するモルフォロジー-忠実な変動、 (ii) ソースレジリエンスなトレーニング、 デバイス、サイト、コホート間の安定性をデータセット固有のチューニングなしで改善する、 (iv) ビートレベルの拡張によるレアクラスの学習の改善。
  論文  参考訳（メタデータ） (2025-10-15T14:18:03Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Frozen Language Model Helps ECG Zero-Shot Learning [12.974685769614062]
  マルチモーダルECG-Text Self-supervised pre-training (METS)を提案する。 トレーニング可能なECGエンコーダと凍結言語モデルを用いて,ペアのECGを組込み,個別に自動で臨床報告を行う。 下流の分類タスクでは、METSは注釈付きデータを使わずに、約10%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-03-22T05:01:14Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。