論文の概要: Towards Myocardial Infarction Diagnosis: An Investigation into Machine Learning and Deep Learning Algorithms using ECG Data

• arxiv url: http://arxiv.org/abs/2610.37709v1
• Date: Mon, 26 Oct 2026 20:58:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.298261
• Title: Towards Myocardial Infarction Diagnosis: An Investigation into Machine Learning and Deep Learning Algorithms using ECG Data
• Title（参考訳）: 心筋梗塞診断に向けて:心電図データを用いた機械学習とディープラーニングアルゴリズムの検討
• Abstract要約: 心筋梗塞 (MI) は虚血による心筋障害による重症で致命的な心疾患である。 本稿では,ECG信号正規化のための多段階適応フィルタ手法であるVisionary V2を提案する。 PTB診断心電図データベース上でのMI検出に対する機械学習(ML)とディープラーニング(DL)のアプローチについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Myocardial Infarction (MI) is a severe and potentially fatal cardiac condition caused by myocardial injury due to ischemia, and timely detection can substantially reduce its mortality. Electrocardiography (ECG) is the primary diagnostic modality for MI, but manual interpretation is susceptible to human error. In this work, we propose Visionary V2, a multi-step, adaptive filtration method for ECG signal normalization, and use it to study machine learning (ML) and deep learning (DL) approaches to MI detection on the PTB Diagnostic ECG Database using all 15 available leads. On statistical features extracted from the filtered signals, such as the R-R interval, a Bagging ensemble of decision trees reaches 96.6% accuracy, compared with 87.7% when the signals are processed with BioSPPy. We further generate an image dataset from the filtered signals, on which a custom ResNet-50 misclassifies only 1 of 7,000 validation images and a custom CNN reaches an F1 score of about 98.7%. Finally, we apply LIME, Grad-CAM and Integrated Gradients to verify that the image models attend to the ECG waveform rather than the background. These results indicate that careful signal normalization combined with ML and DL models can support fast and accurate automated MI screening.
• Abstract（参考訳）: 心筋梗塞 (MI) は虚血による心筋障害による重症で致命的な心疾患であり, タイムリーな検出は死亡率を大幅に低下させる可能性がある。 心電図(ECG)はMIの主要な診断法であるが,手動による解釈は人為的誤りの影響を受けやすい。 本研究では,多段階適応フィルタによるECG信号正規化手法であるVisionary V2を提案し,それを機械学習(ML)および深層学習(DL)アプローチの研究に用いる。 R-R間隔などのフィルタ信号から抽出された統計的特徴について、BioSPPyで信号を処理する場合の87.7%と比較して、決定木のバギングアンサンブルの精度は96.6%に達する。 さらに、フィルタされた信号から画像データセットを生成し、カスタムのResNet-50は7000のバリデーションイメージのうち1つだけを誤分類し、カスタムのCNNは98.7%のF1スコアに達する。 最後に、LIME、Grad-CAM、Integrated Gradientsを適用し、画像モデルが背景ではなくECG波形に対応することを検証する。 これらの結果から,MLモデルとDLモデルを組み合わせた注意信号正規化は,高速かつ正確なMIスクリーニングをサポートできることが示唆された。

関連論文リスト

• 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)
• 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)
• FADE: Forecasting for Anomaly Detection on ECG [4.914228925573227]
  本研究の目的は,通常の心電図予測と異常検出のために設計された深層学習システムFADEを提案することである。 FADEは、新しい形態学的にインスパイアされた損失関数で、自己監督的な方法で訓練されている。 本手法は,心電図信号と実際のセンサデータとの新たな距離関数を用いて,心臓の異常を効果的に同定する。
  論文  参考訳（メタデータ） (2025-02-11T09:19:39Z)
• 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)
• MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• A Novel Deep Learning Technique for Morphology Preserved Fetal ECG Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
  非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。 fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。 本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。 胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
  論文  参考訳（メタデータ） (2023-09-25T19:38:51Z)
• A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
  本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。 各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
  論文  参考訳（メタデータ） (2022-08-29T05:01:04Z)
• DeepMI: Deep Multi-lead ECG Fusion for Identifying Myocardial Infarction and its Occurrence-time [11.90298519305377]
  心筋梗塞(MI)は全血管疾患(CVD)の死亡率が最も高い。 自動心電図診断には機械学習手法が採用されているが、ほとんどの手法では心電図のビートを抽出したり、互いに独立してリードを考える必要がある。 そこで本研究では,MIを通常の症例から分類し,MIの時間的発生を識別するエンド・ツー・エンドのディープラーニング手法であるDeepMIを提案する。
  論文  参考訳（メタデータ） (2021-03-31T19:46:19Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• 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。