Learning ECG Signal Features Without Backpropagation Using Linear Laws

要約

この論文では、理論物理学の概念を活用して時系列データから特徴を自動的に生成する心電図 (ECG) 信号分類の新しい方法である LLT-ECG を紹介します。
従来の深層学習アプローチとは異なり、LLT-ECG は順方向に動作するため、バックプロパゲーションやハイパーパラメータ調整の必要がありません。
提案された方法は、特定のクラス内の共有パターンを捉える線形法則を特定することにより、コンパクトで検証可能な表現を構築し、下流の分類器の有効性を高めます。
私たちは、PhysioNet からの現実世界の ECG データセットに対する LLT-ECG の最先端のパフォーマンスを実証し、速度と検証可能性が重要な医療アプリケーションにおける LLT-ECG の可能性を強調します。

要約(オリジナル)

This paper introduces LLT-ECG, a novel method for electrocardiogram (ECG) signal classification that leverages concepts from theoretical physics to automatically generate features from time series data. Unlike traditional deep learning approaches, LLT-ECG operates in a forward manner, eliminating the need for backpropagation and hyperparameter tuning. By identifying linear laws that capture shared patterns within specific classes, the proposed method constructs a compact and verifiable representation, enhancing the effectiveness of downstream classifiers. We demonstrate LLT-ECG’s state-of-the-art performance on real-world ECG datasets from PhysioNet, underscoring its potential for medical applications where speed and verifiability are crucial.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google