arXiv:2610.13357v4 eess.SP

ECGGuard: Deep Watermarking of Electrocardiogram Signals With Error-Correcting

Kuan-Yu Chen, Kuan-Chen Wang, Yu Tsao, Jian-Jiun Ding

제출 2026-11-16

저자 비고

arXiv Comments

7 pages, 2 figures, 4 tables

원문 초록

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.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.13357v4제출 시각 미확인
  2. arXiv:2610.13357v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13510v1cs.AI공통 태그 Time Series, ecg

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.LG공통 태그 Time Series, ecg

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.LG공통 태그 Time Series, ecg

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:2607.24419v1cs.AI공통 태그 Time Series, ecg

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:2607.14747v1cs.AR공통 태그 Time Series, ecg

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.LG공통 태그 Time Series, ecg

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.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.