PyTorchKR Papers

최신 논문

총 27편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13357v4eess.SP

ECGGuard: Deep Watermarking of Electrocardiogram Signals With Error-Correcting

Wearable electrocardiogram (ECG) recordings pass through multiple networks and systems before automated interpretation, leaving patient metadata vulnerable to loss. Digital watermarking can embed this metadata in the signal, but conventional methods fail under time shifts, and high waveform similarity does not guarantee the same downstream diagnosis. We present \rev{ECGGuard}, a deep watermarking framework for single-lead ECG. A fully convolutional generator embeds the payload without signal quantization, a detector decodes the message frame by frame and checks for watermark presence, and during training a frozen arrhythmia classifier penalizes changes that would alter its predictions. Because high bit accuracy does not ensure whole-message recovery, the payload is protected by extended Hamming codes, \rev{a validation-selected channel ordering}, and soft-decision decoding. On the MIT-BIH Arrhythmia Database, \rev{averaged over three training runs, ECGGuard} keeps bit accuracy above \rev{98\%} under time shifts of 10 to 50 samples, where transform-domain baselines drop to chance. The coded 16-bit payload is recovered exactly in \rev{99.95\%} of clean segments\rev{, in over 96\%} under time shifts, 10\% sample deletion, or 10\% packet loss\rev{, and in 99.1\% for unseen subjects}. \rev{For the guiding classifier, the diagnostic loss limits the drop in ventricular-beat sensitivity to 1.6 percentage points on the test records (35.0 without it) and to 12.2 points for unseen subjects (67.0 without it); the drop grows to 10.3 points for independently trained classifiers, and the protection does not transfer to an external database.} \rev{ECGGuard} has 0.56 million parameters and needs about \rev{19}~ms per segment on a desktop CPU.

arXiv:2610.13510v1cs.AI

임상적 예후 예측을 위한 이종 근거 통합 기반 검색 증강 다중 모달 언어 모델

Retrieval-Augmented Multimodal Language Model with Heterogeneous Evidence Integration for Clinical Prognosis

임상적 예후 예측은 정형 측정치, 생체 신호 파형, 시계열적 과거 이력, 그리고 환자군 맥락의 통합을 필요로 한다. 본 연구에서는 특징(feature)별 수치 토큰화(tokenization), 시계열 심전도(ECG)의 최신성 가중 집계, 이중 모달 환자군 메모리 뱅크를 결합한 다중 모달 언어 모델(language model)인 PRISM(Population-Retrieved Inference for Structured Multimodal Prognosis)을 소개한다. 검색은 표현 공간에서 수행된다. 즉, 모델(model)은 유사한 학습(training) 코호트 진료의 평균 풀링(mean-pooled) 임베딩을 전달받으며, 검색된 개별 기록은 프롬프트(prompt)에 직접 입력되지 않는다. 1,443개 태스크로 구성된 MDS-ED 벤치마크에서 PRISM은 진단 86.2%, 악화 93.1%, 중환자실(ICU) 입원 91.8%, 사망률 92.8%의 AUROC를 달성한다. 이 결과는 기존 베이스라인에서는 사용할 수 없었던 내원 전 96시간 윈도우를 활용한 것이다. 벤치마크 표준 윈도우 입력만 사용했을 때 PRISM은 0.8895의 AUROC를 기록하며, 이는 UniPACT의 0.8937 및 MDS-ED의 0.8889와 비견된다. 동일한 5개 근거 스트림과 고정된(frozen) 인코더를 사용하는 입력 매칭 컴팩트 융합 모델이 0.7652 AUROC를 달성한 것에 비해 PRISM은 0.9092를 달성한다. 수치형 전자건강기록(EHR) 인코딩을 텍스트 직렬화로 대체하면 AUROC가 3.66포인트 감소하고, 내원 전 이력을 제거하면 1.97포인트 감소하며, 검색을 제거(zeroing)하면 0.99포인트 감소한다. 실제 검색은 무작위 이웃 검색 대비 매크로 평균 0.97포인트 앞서지만, 대응 태스크 수준 부호 검정에서는 일관된 우위를 확립하지 못했다(p=0.067). 외부 MC-MED 코호트에서 지도 미세조정(supervised fine-tuning)은 0.8611 AUROC를 기록하여, 로컬에서 학습된 그래디언트(gradient) 부스팅의 0.8227 및 소스 코호트 전용 PRISM의 0.7841보다 우수했다. 이러한 결과는 구조 인지적 다중 모달 통합 및 지도 외부 적응의 효용을 뒷받침한다.

arXiv:2610.10662v1cs.LG

PPG에 '누구인가'가 아닌 '어떠한 상태인가'를 가르치기: ECG로부터의 고정효과 지식 증류

Teaching PPG How not Who: Fixed-Effects Distillation from ECG

ECG는 PPG 전용 모델을 학습시키는 데 널리 사용되지만, 모델에 구체적으로 무엇이 전달되는지는 규명되지 않았습니다. 웨어러블 기기는 개인의 심혈관 상태 변화 추적에 유용하게 쓰이지만, ECG에서 PPG로의 지식 증류(distillation)는 주로 대상자가 누구인지에 대한 신원 정보를 학습합니다. 기록 단위의 평균인 '특질(trait)'은 고정된 ECG 교사 모델 타깃의 40~59%를 차지하며, 풀링된 학생 모델은 이를 새로운 기록으로 일반화하지 못한 채 단순히 암기합니다. 상수 예측기만으로도 코사인 유사도가 0.793을 기록하기 때문에, 단순 정렬 코사인 지표는 이러한 문제를 포착하지 못합니다. 34회의 실험 전반에서 학생 모델이 신원 정보를 더 많이 암기할수록 상태에 대해 학습하는 양은 줄어들었습니다. 고정효과 지식 증류(Fixed-effects distillation)는 예측값과 타깃에서 각 기록의 평균을 차감하여 특질 성분을 상쇄하는 동시에, 풀링된 앵커를 통해 이를 유지합니다. 그 결과 상태 일치도가 2배 이상 증가하였고, 연령 및 성별 성능은 변함없이 개인 내 레이블 예측 성능만 향상되었으며, 이러한 성능 향상은 두 개의 백본 및 두 개의 추가 데이터베이스에서도 일관되게 유지되었습니다. 기록에 조건을 부여함으로써 지식 증류가 웨어러블 기기가 모니터링하는 개인 내 변화를 학습하도록 유도할 수 있습니다.

arXiv:2607.07683v2cs.LG

ECGLight: 종이 심전도 디지털화 및 심근경색 선별을 위한 경량 연산 프레임워크

ECGLight: Compute-Light Framework For Paper ECG Digitization and Myocardial Infarction Screening

심전도(ECG)는 심혈관 질환을 진단하는 데 가장 널리 사용되는 검사 중 하나이다. 그러나 많은 외곽 지역 진료소에서는 제한된 네트워크 연결성과 연산 능력으로 인해 여전히 분석에 종이 심전도 출력물을 활용하고 있다. 그 결과 외곽 지역에서 획득한 방대한 양의 물리적 심전도는 높은 연산 자원이나 안정적인 초고속 인터넷 연결을 요구하는 최신 인공지능(AI) 기반 의사결정 지원의 혜택을 받지 못하고 있다. 이는 급성 관상동맥 폐색(ACS)과 같은 질환을 간과하고 재관류 치료를 지연시키는 여러 사례를 초래한다. 선행 연구들이 디지털화와 진단을 분리하여 다루고 이를 위해 고도화된 AI 모델을 활용해 왔지만, 높은 충실도로 종이 심전도를 복원하면서 임상적으로 유의미한 여러 평가지표를 정확하게 지원하는 온디바이스(on-device) 경량 연산 프레임워크는 여전히 부족하다. 본 연구에서는 종이 심전도의 스마트폰 사진이나 스캔본을 보정된 12유도 신호로 변환하고 심근경색(MI) 병변을 선별하며, 해석 가능성을 지원하기 위해 SHapley Additive exPlanations(SHAP)을 결합한 엔드투엔드 경량 온디바이스 디지털화-진단 파이프라인을 통해 이러한 문제를 해결한다. PTB-XL 데이터셋의 21,799개 심전도로 학습(training) 및 평가(evaluation)하고 병원에서 수집한 ECG-Matrix 데이터셋에서 추가 검증을 거친 이 전체 시스템은 CPU 전용 자원에서 심전도당 30초 미만으로 구동되며, PTB-XL에서 심근경색 탐지 정확도 95.51%(F1 = 0.9519), ECG-Matrix에서 폐색성 심근경색(OMI) 탐지 정확도 88.89%(F1 = 0.8862)를 달성한다. 본 연구는 디지털 심전도 추출, 네트워크 연결, 고성능 연산 자원을 사용할 수 없는 환경에서도 레거시 종이 기록을 전 세계 어디서나 안정적으로 보급하여 확장 가능한 의사결정 지원을 제공할 수 있음을 보여준다. Github: https://github.com/nshreyasvi/ECGLight

arXiv:2609.28183v1cs.CV

생체 인식 식별을 위한 심전도 신호 기반 대표 형태 히트맵

From ECG Signals to Representative-Morphology Heatmaps for Biometric Recognition

심전도(ECG)는 생체 인식(biometric recognition)을 지원하는 대상자 고유의 형태학적 특성을 포함하고 있으나, 이미지 기반 성능은 파형(waveform)이 어떻게 렌더링되는지에 따라 달라집니다. 본 논문에서는 ECGXtractor를 기반으로 변형한 결정론적 ECG-투-이미지 표현 방식인 대표 형태 히트맵(representative-morphology heatmaps)을 소개합니다. 정렬된 10개 박동으로 구성된 각 블록 내에서 블록 평균에 가장 가까운 5개 박동을 평균화하여 400 × L 행렬로 구성한 뒤, 기존의 트레이스(trace) 형태 또는 심장 시간-리드(cardiac-time-by-lead) 밀집 히트맵으로 렌더링합니다. 두 표현 모두 동일한 생리학적 샘플을 포함하므로, 이들의 비교를 통해 렌더링 방식의 효과만을 분리하여 분석할 수 있습니다. 본 연구에서는 PTB, ECG-ID, MIMIC-IV-ECG-DEMO 데이터셋에서 검증(verification) 및 닫힌 집합 식별(closed-set identification) 성능을 평가(evaluation)합니다. ZACH-ViT를 포함한 5개의 소형 모델을 처음부터 학습(training from scratch)시키는 한편, ImageNet 사전학습(pre-training)된 6개의 CNN 및 트랜스포머(transformer) 백본을 통해 모델 규모와 시각적 전이 성능을 평가합니다. 15개의 모든 소형 모델-데이터셋 비교에서 히트맵은 FNMR 동작점 및 두 식별 순위 모두를 향상시켰으며, 14개 비교에서는 EER을 개선했습니다. 짝을 이룬 실험 전반에서 EER은 평균 9.59%p 감소했고 Rank-1은 24.69%p 증가했습니다. ConvNeXt-Tiny는 PTB에서 2.43%, ECG-ID에서 5.79%의 EER을 달성한 반면, DeiT-Base는 MIMIC-DEMO에서 14.92%를 기록했습니다. ImageNet 초기화(initialization)는 두 다중 리드(multilead) 데이터셋에는 분명한 이점을 주었으나 ECG-ID에서는 복합적인 영향을 미쳤으며, 성능이 모델 크기에 따라 단조롭게 증가하지는 않았습니다. 최고의 히트맵 시스템들은 PTB와 ECG-ID에서 가장 강력한 신호 도메인 EER에 근접했으며, DeiT-Base는 MIMIC-DEMO에서 평가된 성능 중 가장 높은 성능을 보였습니다. 리드-채널 절제 연구(ablation study)는 유용한 채널 조합이 집단(cohort)과 생체 인식 작업에 따라 달라진다는 점을 추가로 보여줍니다. 전반적으로 대표 형태 히트맵은 심전도 검증 및 식별을 위한 효과적인 이미지 표현을 제공합니다.

arXiv:2609.22631v1cs.CV

X-Beat: 심전도 이미지 분류를 위한 설명 가능한 프레임워크

X-Beat: An Explainable Framework for ECG Image Classification

심근경색 및 부정맥과 같은 심장 질환의 조기 발견을 위해서는 심전도(ECG)의 정확한 자동 판독이 필수적입니다. 그러나 뛰어난 성능을 보이는 많은 심층 학습(deep learning) 모델은 제한된 투명성과 신뢰도 검증(validation) 부재로 인해 실제 임상 환경에 배포되기 어렵습니다. 본 연구에서는 의료 분야에서 신뢰할 수 있는 AI 시스템을 지원하도록 설계된 심전도 이미지 분류(image classification)를 위한 설명 가능하고 신뢰도를 고려한 벤치마크(benchmark) 프레임워크인 X-Beat를 제시합니다. 제안된 프레임워크는 전이학습(transfer learning)과 사후 설명 가능성(post-hoc explainability), 그리고 이상 심박(Abnormal Heartbeat), 심근경색 병력(History of Myocardial Infarction), 심근경색(Myocardial Infarction), 정상 심박(Normal Heartbeat)의 네 가지 심장 질환 범주 전반에 걸친 체계적인 신뢰도 평가(evaluation)를 결합합니다. EfficientNet-B0, ResNet-50, DenseNet-121, MobileNetV3-Large를 포함한 여러 ImageNet 사전학습(pre-training) CNN 백본(backbone)을 통합된 학습(training) 프로토콜 하에서 평가합니다. 표준 성능 지표를 넘어, 모델(model) 예측이 임상적으로 유의미한 근거에 기반하는지 검토하기 위해 설명 안정성, 영역 민감도, 신뢰도 기반 신뢰성 평가를 포함한 추가 분석과 함께 Grad-CAM 기반 시각적 설명을 통합합니다. 실험 결과에 따르면 ResNet-50이 가장 우수한 성능을 달성하여 91.94%의 정확도와 0.9098의 매크로 F1 점수를 기록했으며, 강력한 클래스 분리도(AUC 최대 0.995)를 보였습니다. 설명 분석 결과 모델은 주로 파형(waveform) 관련 영역에 초점을 맞추는 것으로 나타났으며, 신뢰도 평가에서는 대부분의 부정확한 예측이 낮은 신뢰도에서 발생하는 것으로 나타났습니다. 종합적으로, 본 연구는 심전도 이미지 분류에서 예측 성능과 설명 신뢰도를 모두 평가할 수 있는 체계적이고 재현 가능한 벤치마크를 제공하며, 임상 의사 결정 지원 시스템을 위한 신뢰할 수 있고 해석 가능한 AI 구성요소 개발에 기여합니다.

arXiv:2607.24419v1cs.AI

실패는 지표가 놓치는 것을 드러낸다: ECG 분류기 재귀적 정제를 위한 증거 기반 에이전트

Failures Reveal What Metrics Miss: An Evidence-Driven Agent for Recursive Refinement of ECG Classifiers

딥 모델이 12-lead ECG 분류를 크게 발전시켰지만, 분류기 설계의 정제는 여전히 실패 사례를 검토하고 설계를 반복적으로 수정하는 데 인간 전문가에 크게 의존한다. 최근 대규모 언어 모델(LLM) 기반 에이전트는 자동화된 모델 설계의 잠재력을 보여주었지만, 집계 성능 지표만으로 안내될 때는 개별 사례가 왜 실패하는지, 분류기를 어떻게 수정해야 하는지에 대한 통찰을 부족하다. 우리는 RecursiveECG를 제안한다. 이는 구체적인 실패와 객관적인 ECG 증거를 바탕으로 ECG 분류기를 정제하는 오프라인 모델 설계자 역할을 LLM이 수행하는 증거 기반 LLM-as-Designer 프레임워크이다. 실패 진단을 실행 가능한 증거에 그라운딩(grounding)하기 위해, Criteria-to-Measurement Compilation은 엄선된 ECG 기준을 검증된 결정론적 함수로 변환하여 개별 ECG에 대해 재현 가능하고 참조가 뒷받침되는 측정값을 생성한다. 이러한 측정값을 기반으로, Evidence-Grounded Failure Review는 원시 파형, 측정값, 모델 출력을 함께 고려하여 실패 사례와 비교 사례를 분석하고, LLM이 분류기의 한계를 진단하고 표적화된 수정안을 수립할 수 있게 한다. 후보 수정안은 고정된 문제 계약 하에서 실행되고 재평가되며, 증거로 뒷받침되는 업데이트만 유지된다. 그 결과로 얻은 예측기는 정제 후 고정되며 배포 시 LLM 추론이 필요 없고, 감사 추적(audit trail)은 각 수락된 수정안을 이를 뒷받침하는 증거와 연결한다. PTB-XL, Georgia, CPSC2018에서 RecursiveECG는 강력한 베이스라인을 일관되게 능가하며, 평균 상대적 개선율 10.0%를 달성한다. 광범위한 ablation 및 전이(transfer) 연구는 증거 기반 정제 과정의 효과를 추가로 검증한다.

arXiv:2607.20814v1cs.AI

가이드 그라운딩 멀티모달 LLM을 활용한 설명 가능한 심장 진단 향상

Enhancing Explainable Cardiac Diagnosis with Guide-Grounded Multimodal LLMs

심전도(ECG)는 심장 평가의 핵심이지만, 심층 학습 모델의 임상 배포는 해석 가능성의 제한과 대규모 언어 모델(LLM)의 환각(hallucination) 위험으로 인해 여전히 제약을 받고 있다. 기존 CNN+Grad-CAM+멀티모달 LLM 프레임워크는 ECG 보고서를 생성할 수 있지만, 그 설명은 종종 확립된 진단 기준에 약하게만 그라운딩(grounding)되어 신뢰성과 재현성을 떨어뜨린다. 우리는 보고서 생성을 선별된 임상 지식에 명시적으로 고정하는 가이드 그라운딩 멀티모달 프레임워크를 제안한다. 합성곱 신경망(CNN)과 Grad-CAM이 먼저 12-lead ECG 이미지로부터 클래스 확률과 클래스별 히트맵을 생성한다. 병행하여, 권위 있는 ECG 교과서와 가이드라인 자료를 오프라인에서 구조화된 ECG Interpretation Guide로 증류하여, 이를 모든 샘플에 대해 고정된 지식 블록으로 주입한다. ECG 이미지, Grad-CAM 오버레이, CNN에서 파생된 fact pack, 주입된 가이드를 조건으로 하여, 멀티모달 LLM이 가이드라인과 일관된 용어 및 기준 사용을 갖춘 구조화된 진단 보고서를 생성한다. PTB-XL 테스트 세트 전체에 대한 실험은 가이드 그라운딩이 경쟁력 있는 분류 성능을 유지하면서 생성된 보고서의 의미적 품질과 지각된 일관성을 향상시킴을 보여준다. 특히, 우리 방법은 강력한 CNN+Grad-CAM+MLLM 기준선 대비 생성된 impression의 평균 BERTScore를 0.818에서 0.953으로 높여, 참조 보고서와의 더 밀접한 정렬(alignment)을 나타낸다. 이러한 결과는 증류된 해석 가이드를 멀티모달 프롬프팅 파이프라인에 주입하는 것이 환각을 줄이고 LLM 기반 ECG 설명의 임상적 타당성을 높이는 실용적인 경로를 제공하며, 설명 가능한 심장 진단을 실제 배포에 더 가깝게 이끈다는 것을 시사한다.

arXiv:2607.14747v1cs.AR

웨어러블 기기를 위한 에너지 효율·저전력 부정맥 탐지

Toward Energy-Efficient and Low-Power Arrhythmia Detection for Wearable Devices

전 세계적으로 심혈관 질환은 사망의 주요 원인이며, 부정맥(arrhythmia)과 같은 질환은 효과적인 탐지와 진단을 위해 장기 모니터링이 필요한 경우가 많다. 그러나 현재의 웨어러블 모니터링 기기는 부피가 크고 불편하며, 일반적으로 임상의가 심전도(ECG)를 수동으로 평가하는 데 의존한다. 심층 학습(DL) 알고리즘은 부정맥 탐지 및 분류에서 우수한 성능을 보여 왔지만, 높은 전력 소비와 결합된 계산 복잡도로 인해 웨어러블 기기에의 배포가 제한된다. 이 과제를 해결하기 위해 본 논문은 허용 가능한 분류 성능을 유지하면서 DL 아키텍처의 전력 및 에너지 소비를 줄이기 위한 근사(approximation) 기법의 사용을 조사한다. 구체적으로, 데이터 정밀도 감소 및 근사 곱셈과 같은 기법을 최신(state-of-the-art) DL 모델과 그에 대응하는 하드웨어 아키텍처에서 조사한다. 모델은 MIT-BIH Arrhythmia Database를 사용하여 학습 및 검증되었으며, 다양한 근사 곱셈기를 사용하는 하드웨어 구현이 합성 및 평가되었다. 최신 8.75 μW(및 2.08 μJ) 기준 아키텍처와 비교하여, 제안 아키텍처는 12 kHz에서 3.07 μW(및 2.17 μJ)를 소비하며, 93.7% 분류 정확도와 92.1% 민감도(sensitivity)의 허용 가능한 출력 품질을 제공하면서 전력 소비를 64.9% 줄였다. 100 MHz에서 제안 아키텍처는 9.45 mW(및 0.8 μJ)를 소비하며, 최신 아키텍처 대비 에너지 소비를 61.5% 줄였다. 이 결과는 제안 근사 기법이 필요한 부정맥 분류 성능을 유지하면서 웨어러블 기기의 배터리 수명을 크게 연장함을 보여준다.

arXiv:2607.14613v1cs.LG

장꼬리 심전도 부정맥 진단을 위한 각도 Gaussian 지도 대조 학습

Angular Gaussian Supervised Contrastive Learning for Long-Tailed Electrocardiogram Arrhythmia Diagnosis

장꼬리 라벨 분포는 심전도(ECG) 부정맥 진단에서 심층 학습의 신뢰성을 저하시키며, 특히 임상적으로 중요하지만 희귀한 이상 소견에서 두드러진다. 기존의 재균형화 및 로짓 조정 방법은 주로 클래스 빈도를 다루면서 ECG 클래스 간 방향 의존적 형태학적 가변성은 간과한다. 본 연구는 장꼬리 다중 라벨 ECG 진단을 위한 각도 Gaussian 지도 대조 학습(Angular Gaussian Supervised Contrastive Learning, AG-SCL)을 제안한다. AG-SCL은 세 가지 구성 요소를 통합 프레임워크로 결합한다: 단위 정규화 임베딩(embedding) 상에서 완전 공분산 클래스 불확실성을 모델링하는 각도 Gaussian 대조 분기, 고정된 빈도 기반 마진 대신 유계 라벨-상태별 사전(prior) 보정을 학습하는 적응형 로짓 조정(Adaptive Logit Adjustment), 그리고 7-25 Hz QRS 우세 대역을 보호하면서 형태 보존 뷰를 생성하는 꼬리 인식(tail-aware) 증강. 해당 방법은 공개 PTB-XL 벤치마크와 141명의 피험자로부터 수집한 1317시간 기록으로 구성된 야간 ECG 데이터셋에서 평가되었다. AG-SCL은 두 데이터셋 모두에서 최고의 매크로 수준 성능을 달성했다. PTB-XL에서 균형 정확도 0.838, 민감도 0.709, 특이도 0.968, 평균 평균 정밀도(mAP) 0.495, FPR 5%에서의 TPR 0.778을 얻었다. Noc-ECG에서는 해당 값이 각각 0.918, 0.889, 0.947, 0.488, 0.900이었다. 가장 큰 향상은 희귀하거나 형태학적으로 불안정한 리듬 클래스에서 나타났으며, ablation 연구는 완전 공분산 모델링, 적응형 로짓 조정, 꼬리 인식 증강의 기여를 확인했다. AG-SCL은 사전 보정과 이방성(anisotropic) 표현 학습을 결합함으로써 장꼬리 ECG 진단을 개선하며, 임상적으로 관련 있는 특이도를 유지하면서 희귀 부정맥에 대한 민감도를 향상시킨다. 코드는 https://github.com/Open-EXG/AG-SCL-for-Long-Tailed-ECG 에서 이용 가능하다.

arXiv:2607.01145v2cs.LG

ECG 분석에 기반한 다변량 시계열 계층적 자기지도 표현 학습 프레임워크

Hierarchical Self-Supervised Representation Learning Framework for Multivariate Time Series Grounded in ECG Analysis

의료 영역의 데이터 분석에서는 종종 제한된 타깃 데이터셋과 일반적인 분포를 가진 대규모 비주석 데이터셋이 함께 존재하는 상황을 마주한다. 이러한 상황에서 자기지도 학습(self-supervised learning, SSL) 방법은 대규모 데이터셋을 활용하는 데 매우 효과적이며, 심전도(electrocardiogram, ECG) 분석에서 널리 사용되는 선택지가 된다. 본 연구는 다변량 시계열을 위한 경량 SSL 프레임워크인 Event Reconstruction Joint-Embedding Predictive Architecture(ER-JEPA)를 제안하며, 그 명칭과 이중 계층 구조는 심장 전문의의 진단 접근법에서 영감을 받았다. ER-JEPA의 핵심은 다음과 같다: (1) 각 시간 구간에 대한 표현을 구축한 뒤 이 표현들을 단변량 시계열로 후속 처리하는 2단계 구조, (2) 두 Joint-Embedding Predictive Architecture(JEPA)의 계층적 통합, (3) Vision Transformer(ViT) 백본. 두 JEPA의 구조적 연결은 모델을 Hierarchical JEPA(H-JEPA)로 분류하며, 복잡한 과제에서 예측 성능을 향상시키기 위해 다양한 수준의 추상적 표현을 인코딩하도록 설계되었다. 본 연구는 H-JEPA를 다변량 시계열로서 12-lead ECG 데이터에 성공적으로 적용한 결과와 함께, 사전학습 단계 동안 계층적 표현의 민감도 분석을 보고한다. 약 180,000개의 10초 기록으로 사전학습된 모델은 ST-MEM 벤치마크에서 최고 수준의 다운스트림 성능을 달성하며, 빠른 계산과 최소한의 자원 사용을 특징으로 한다.

arXiv:2601.18798v3cs.MM

ELF: 인코더 없는 ECG-언어 모델 모델군

ELF: A Family of Encoder-Free ECG-Language Models

ECG-언어 모델(ELM)은 다중모달 대규모 언어 모델(MLLM)의 최근 발전을 자동 ECG 해석으로 확장한다. 그러나 기존 ELM의 대부분은 비전-언어 모델(VLM) 설계 선택을 계승하고 사전학습된 ECG 인코더에 의존하여 상당한 아키텍처 및 학습 복잡성을 야기한다. 인코더 없는 VLM에서 영감을 받아, 우리는 ELF를 제안한다. ELF는 세 가지 인코더 없는 ELM으로 구성된 모델군이며, 훨씬 단순한 아키텍처와 학습 파이프라인에도 불구하고 두 데이터셋에서 이전 최신 ELM과 경쟁력을 유지하며 종종 그 성능을 능가한다. 모든 코드와 데이터는 github.com/ELM-Research/ECG-Language-Models에서 이용할 수 있다.

arXiv:2607.09749v1eess.SP

MorphologyFM: ECG 및 맥박 산소측정 파형의 형태 인식 표현 학습을 위한 파운데이션 모델

MorphologyFM: A Foundation Model for Morphology-Aware Representation Learning from ECG and Pulse Oximetry Waveforms

파운데이션 모델은 최근 대규모 생의학 데이터로부터 전이 가능한 표현을 학습하는 강력한 패러다임으로 부상하고 있으나, 생리적 파형에 대한 기존 접근법들은 임상적으로 의미 있는 파형 형태를 명시적으로 보존하지 않는 재구성 또는 예측 목적 함수를 주로 최적화한다. 심전도(ECG)와 맥박 산소측정(SpO2) 파형은 그 형태학적 구조를 통해 풍부한 심혈관 및 혈역학 정보를 인코딩한다. 본 연구에서는 형태 인식 자기지도 학습 목적 함수를 사용하여 MIMIC 중환자 데이터베이스의 ECG 및 SpO2 파형 쌍으로 사전학습된 멀티모달 파운데이션 모델인 MorphologyFM을 소개한다. MorphologyFM은 형태 유도 마스킹, 교차 모달 표현 학습, 대조적 잠재 정렬을 결합하여 수동 어노테이션 없이 임상적으로 관련된 생리적 구조를 포착하는 표현을 학습한다. 우리는 부정맥 분류, 저산소혈증 예측, 사망률 예측, 재원 기간 추정 등 다양한 다운스트림 예측 태스크에서 MorphologyFM을 평가하여, Masked Autoencoders(MAE), 대조 학습, Barlow Twins, Joint Embedding Predictive Architectures(JEPA)를 포함한 대표적인 자기지도 학습 방법들 대비 일관된 성능 향상을 입증한다. 또한 ECG와 SpO2 파형을 공동으로 모델링하면 단일 모달리티 사전학습보다 더 전이 가능한 표현이 생성됨을 보인다. 본 연구 결과는 파형 형태가 자기지도 생리적 표현 학습을 위한 강력한 귀납적 바이어스임을 확립하고, MorphologyFM을 연속 생리 모니터링을 위한 범용 파운데이션 모델로 제시한다.

arXiv:2607.09680v1eess.SP

ECG-LDC: A Hardware-Efficient Low-Dimensional Computing Framework for ECG Arrhythmia Classification

Continuous cardiac monitoring in wearable devices demands classifiers that are simultaneously accurate, energy-efficient, and deployable on resource-constrained hardware. While deep neural network approaches have demonstrated high classification accuracy for electrocardiogram (ECG) arrhythmia detection, their substantial parameter counts and reliance on multiply-accumulate-intensive operations make them impractical for low-cost edge platforms. In this work, we propose ECG-LDC, a hardware-software co-design framework that adapts Low-Dimensional Computing (LDC) for real-time ECG arrhythmia classification. ECG-LDC employs a dual-encoder architecture with dedicated value and feature codebooks to independently encode morphological waveform features and RR-interval temporal features, enabling effective capture of both intra-beat and inter-beat cardiac dynamics. The framework encompasses data preprocessing, model training, and a hardware accelerator architecture prototyped on the Pynq-Z2 platform. Implemented using binary representations and XOR/XNOR-based operations, ECG-LDC achieves $97.18\%$ accuracy with a memory footprint of only $3.86\ \text{kB}$. ECG-LDC sacrifices approximately $1.8\%$ accuracy versus SOTA TinyML classifiers but achieves $11$~$ 570\times$ reduction in memory usage; among FPGA-based five-class arrhythmia classifiers, it delivers the highest accuracy with up to $2.4\times$ fewer LUTs and zero DSP block utilization, affirming its suitability for real-time arrhythmia detection on resource-constrained wearable platforms.

arXiv:2607.05009v1cs.LG

ImputeECG: 심장 평가를 위한 불완전 기록으로부터 완전한 12유도 심전도를 복원하는 심층 학습 방법

ImputeECG: Deep Learning Reconstruction of Complete 12-Lead Electrocardiograms from Incomplete Recordings for Cardiac Assessment

불완전한 임상 심전도(ECG) 기록을 AI 분석에 적합한 완전한 12유도 10초 신호로 복원하기 위해, 마스크 조건부 1차원 Transformer 오토인코더 ImputeECG를 개발하여 PTB-XL 및 CPSC2018 대비 누락 영역 MAE를 최대 51% 감소시켰다. 43,633건의 실제 임상 코호트(Kailuan)에서도 제로샷 성별 예측 AUROC가 82.6%에서 85.8%로 향상되는 등, 이미지 기반 디지털화 후 불완전한 ECG 아카이브의 AI 활용 가능성을 실질적으로 확장할 수 있음을 입증하였다.

arXiv:2607.03009v1cs.LG

ECG 파운데이션 모델은 희귀 심장 질환에 전이되는가? 브루가다 증후군 탐지로부터의 근거

Do ECG Foundation Models Transfer to Rare Cardiac Diseases? Evidence from Brugada Syndrome Detection

배경: 대규모 레이블 없는 생리적 데이터로 학습된 파운데이션 모델(FM)은 의료 인공지능의 유망한 패러다임으로 부상하였다. 그러나 희귀 질환에 대해 임상적으로 의미 있고 전이 가능한 표현을 포착하는 능력은 아직 대부분 검증되지 않은 상태이다. 본 연구는 FM 사전학습이 희귀 심전도(ECG) 표현형에 대해 최적화 향상을 넘어서는 진정한 임상적 일반화 이점을 제공하는지 규명한다. 방법: BrSwiss 코호트(환자 294명, 양성 87례) 및 독립 외부 코호트인 HUCA(환자 363명, 양성 76례)에서 브루가다 증후군 탐지를 위해 공개된 ECG FM 9종을 처음부터 학습(from-scratch training), 선형 프로빙(linear probing), 전체 미세조정(full fine-tuning)의 세 가지 전략과 다양한 구성—3% 데이터 절제 실험 및 제로샷 교차 사이트 전이 포함—하에 체계적으로 평가하였다. 결과: 사전학습은 처음부터 학습 시 수렴하지 못하는 고용량 아키텍처에는 필수적이었으나(AUC 향상 최대 0.411, p < 0.05), 레이블 데이터만으로도 이미 수렴하는 소형 아키텍처에는 유의미한 이득을 주지 않았다. 전체 BrSwiss 데이터셋에서 가장 우수한 미세조정 FM(ECG-CPC, AUC = 0.962)은 가장 강력한 지도학습 기준선(처음부터 학습한 ECG-CPC, AUC = 0.932; p = 0.091)을 소폭 상회하는 데 그쳤다. 동일한 학습 세트 크기에서 BrSwiss-3%에서의 데이터 효율성 이점(AUC 향상 = 0.055, p < 0.01)은 HUCA에서 재현되지 않았다. 제로샷 교차 사이트 전이에서는 FM 기반 파이프라인이 지도학습 기준선보다 일반화 성능이 우수하지 않았으며, 모두 우연 수준의 성능에 근접하였다. 결론: 브루가다 증후군 탐지에 있어 FM 사전학습은 의미론적이라기보다 기계적으로 작용하며, 전이 가능한 임상 지식보다는 최적화 안정성을 제공한다. 이러한 결과는 대규모 사전학습이 임상적으로 의미 있는 표현을 본질적으로 인코딩한다는 가정에 의문을 제기하며, 모델 아키텍처와 데이터 도메인 정합의 핵심적 역할을 부각시킨다.

arXiv:2607.01282v1cs.LG

Domain Knowledge Based Temporal-Spatial Graph Convolution Network for ECG Recognition

ECG 신호의 핵심 특징점(PRQST)을 도메인 지식으로 활용하여, 단일 사이클 내 공간적 관계와 사이클 간 시간적 의존성을 각각 모델링하는 이중 스트림 지향 그래프 합성곱 신경망(GCN)을 제안한다. First Chinese ECG Intelligent Competition 데이터셋에서 전체 평균 F1 스코어 88.1%, 희귀 범주 평균 F1 스코어 76.3%를 달성하여 기존 최고 성능 모델을 능가했다.

arXiv:2606.24974v1cs.LG

Quantifying Explainable AI-introduced signal noise on ECG data with Spectral Entropy

Explainability techniques are used to assess the output of various deep learning models. This is especially true in healthcare, where models need to be trusted and decisions justified. Explainability (XAI) tools use heuristics which often add signal noise to the explanation "core". It is not always obvious what is signal from the model and what is noise from the XAI. We propose the use of spectral entropy as a measure of noise in XAI output. We demonstrate its usefulness in the context of classifying arrhythmias in an ECG dataset with different post hoc explainability techniques.

arXiv:2606.24392v1cs.AI

ATRIA: Adaptive Traceable ECG Reporting with Iterative Agents

Existing ECG report generation is tightly coupled -- interpretation and reporting fused end-to-end, so errors propagate without stage-level recourse -- while agent-based systems decouple tasks but remain single-pass, never revisiting earlier outputs. Clinical ECG reporting instead unfolds iteratively, requiring progressive context integration and bidirectional editing. We present \textsc{ATRIA}, a multi-agent ECG reporting system that mirrors the clinician's iterative workflow: it binds every report claim to its supporting evidence, flags statements unsupported by that evidence, incorporates additional context mid-session, and lets clinicians verify and revise individual findings rather than accept one opaque output. Because its agents use ECG analysis models already in clinical use, the underlying findings are clinically trustworthy; and as a cloud-based web service, \textsc{ATRIA} is ready for immediate deployment. We demonstrate \textsc{ATRIA} through four interaction cases, with a live demo and video available.

arXiv:2606.22889v1cs.LG

ECG 이미지 분류를 위한 생리학 인지 CNN과 제로샷 멀티모달 LLM: 비교 연구

Physiology-Aware CNN and Zero-Shot Multimodal LLMs for ECG Image Classification: A Comparative Study

멀티모달 대규모 언어 모델(LLM)은 12-lead ECG 이미지 해석에 점점 더 많이 채택되고 있으나, 그 해석은 종종 검증이 부족하다. 그러나 ECG 이미지 이해는 정밀한 파형 형태, lead 간 관계, 정확한 간격 측정에 의존하기 때문에 일반 이미지 이해와 크게 다르다. 본 연구는 제로샷 멀티모달 LLM이 정상 및 이상 ECG 이미지를 신뢰성 있게 구분할 수 있는지 조사하고, 병행하여 임상적으로 근거 있는 참조를 위해 CNN 기반 모델을 평가했다. 표준 12-lead ECG 기록을 단일 페이지 이미지로 렌더링하여 정상-이상 이진 분류 과제에 사용했다. 세 가지 주요 LLM(GPT-5.2, GPT-4.1, Gemini-2.5 Pro)을 고정된 제로샷 프롬프트로 여러 번 실행하며 테스트했다. 병행하여, 사전 정의된 해부학적 lead 그룹으로부터 특징을 집계할 수 있는 생리학 인지 CNN 기반 모델을 개발했다. 해당 모델은 ResNet18, DenseNet121, VGG16 베이스라인과 비교되었으며, 모든 모델은 내부 테스트 세트와 외부 PTB-XL 데이터셋에서 평가되었다. 시드에 걸쳐 CNN 기반 모델은 안정적인 판별 성능을 보였으며, 내부 ROC-AUC 평균은 0.92-0.94, 외부 ROC-AUC는 0.85-0.86이었다. 제안한 LeadGroupECG 모델은 외부 일반화를 저해하지 않으면서 내부에서 백본 대비 유의미한 개선을 보였다. 다른 베이스라인과 경쟁력을 유지하는 한편, 해부학적 lead 그룹 기여를 일관되게 부각했다. 대조적으로, 제로샷 LLM의 판별 성능은 우연 수준(ROC-AUC 약 0.5)에 머물렀다. 격자 기반 보정 배경을 사용한 ECG는 격자 없는 ECG에 비해 PR-AUC가 소폭 개선되었다. 멀티모달 LLM이 그럴듯한 ECG 서술을 생성할 수는 있으나, 제로샷 진단 판별 능력은 여전히 제한적이다. 따라서 AI 기반 ECG 해석에는 임상적 관점에서 설계된 도메인 특화 아키텍처가 여전히 필수적이다.