論文の概要: Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review

• arxiv url: http://arxiv.org/abs/2001.01550v3
• Date: Thu, 30 Apr 2020 18:42:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 12:55:15.976207
• Title: Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review
• Title（参考訳）: 心電図データにおける深層学習の可能性と課題:システムレビュー
• Authors: Shenda Hong, Yuxi Zhou, Junyuan Shang, Cao Xiao, Jimeng Sun
• Abstract要約: 心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
• 参考スコア（独自算出の注目度）: 62.490310870300746
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background:The electrocardiogram (ECG) is one of the most commonly used diagnostic tools in medicine and healthcare. Deep learning methods have achieved promising results on predictive healthcare tasks using ECG signals. Objective:This paper presents a systematic review of deep learning methods for ECG data from both modeling and application perspectives. Methods:We extracted papers that applied deep learning (deep neural network) models to ECG data that were published between Jan. 1st of 2010 and Feb. 29th of 2020 from Google Scholar, PubMed, and the DBLP. We then analyzed each article according to three factors: tasks, models, and data. Finally, we discuss open challenges and unsolved problems in this area. Results: The total number of papers extracted was 191. Among these papers, 108 were published after 2019. Different deep learning architectures have been used in various ECG analytics tasks, such as disease detection/classification, annotation/localization, sleep staging, biometric human identification, and denoising. Conclusion: The number of works on deep learning for ECG data has grown explosively in recent years. Such works have achieved accuracy comparable to that of traditional feature-based approaches and ensembles of multiple approaches can achieve even better results. Specifically, we found that a hybrid architecture of a convolutional neural network and recurrent neural network ensemble using expert features yields the best results. However, there are some new challenges and problems related to interpretability, scalability, and efficiency that must be addressed. Furthermore, it is also worth investigating new applications from the perspectives of datasets and methods. Significance: This paper summarizes existing deep learning research using ECG data from multiple perspectives and highlights existing challenges and problems to identify potential future research directions.
• Abstract（参考訳）: 背景:心電図(ECG)は医療や医療でよく用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 目的:本稿では,モデリングとアプリケーションの観点からecgデータの深層学習法を体系的に検討する。 方法:2010年1月1日から2020年2月29日までにGoogle Scholar、PubMed、DBLPから発行されたECGデータにディープラーニング(ディープニューラルネットワーク)モデルを適用した論文を抽出した。 次に,各論文をタスク,モデル,データという3つの要因で分析した。 最後に,オープン課題と未解決問題について議論する。 結果: 抽出された論文の総数は191。 2019年以降、108冊が刊行された。 さまざまなディープラーニングアーキテクチャが、病気の検出/分類、アノテーション/ローカライゼーション、睡眠ステージング、生体認証、認知など、さまざまなECG分析タスクで使用されている。 結論: 近年,ECGデータの深層学習に関する研究が爆発的に増えている。 このような作業は、従来の機能ベースのアプローチと同等の精度で達成され、複数のアプローチのアンサンブルにより、さらに優れた結果が得られる。 具体的には、畳み込みニューラルネットワークとエキスパート機能を用いた繰り返しニューラルネットワークアンサンブルのハイブリッドアーキテクチャが最良の結果をもたらすことを発見した。 しかし、解釈可能性、拡張性、効率性に関する新たな課題や課題があり、対処しなければならない。 さらに、データセットやメソッドの観点から、新しいアプリケーションを調べることにも価値がある。 意義:本稿は,複数の視点からECGデータを用いた既存のディープラーニング研究を要約し,今後の研究方向性を明らかにするための課題と課題を明らかにする。

関連論文リスト

• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• A Review of Deep Learning Methods for Photoplethysmography Data [10.27280499967643]
  Photoplethysmographyは、ポータビリティ、ユーザフレンドリな操作、非侵襲機能に長けているため、有望なデバイスである。 近年の深層学習の進歩は、個人の健康管理に関わるタスクにPSG信号を活用することで顕著な成果を上げている。
  論文  参考訳（メタデータ） (2024-01-23T14:11:29Z)
• hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications [3.031375888004876]
  脳波の既存のDLベースのモデリング手法に2つの課題がある。 被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:36:31Z)
• Deep Neural Networks Generalization and Fine-Tuning for 12-lead ECG Classification [0.0]
  本稿では,さまざまなデータセット上でニューラルネットワークをトレーニングすることで,データセットに関わらず,心臓病の予測精度を向上させる手法を提案する。 大規模なデータセット上でネットワークをトレーニングし、それを別のソースから小さなデータセットで微調整することで、1つの小さなデータセットでのみトレーニングされたネットワークのパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2023-05-19T14:49:04Z)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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。