Fugu-MT 論文翻訳(概要): Deep Learning for ECG Segmentation

論文の概要: Deep Learning for ECG Segmentation

arxiv url: http://arxiv.org/abs/2001.04689v1
Date: Tue, 14 Jan 2020 10:05:09 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 12:25:35.936445
Title: Deep Learning for ECG Segmentation
Title（参考訳）: ECGセグメンテーションのためのディープラーニング
Authors: Viktor Moskalenko, Nikolai Zolotykh, Grigory Osipov
Abstract要約: UNetのような完全畳み込みニューラルネットワークを用いた心電図(ECG)セグメンテーションのアルゴリズムを提案する。アルゴリズムは任意のサンプリングレートECG信号を入力として受信し、出力としてP波とT波とQRS複合体のオンセットとオフセットのリストを与える。
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: We propose an algorithm for electrocardiogram (ECG) segmentation using a UNet-like full-convolutional neural network. The algorithm receives an arbitrary sampling rate ECG signal as an input, and gives a list of onsets and offsets of P and T waves and QRS complexes as output. Our method of segmentation differs from others in speed, a small number of parameters and a good generalization: it is adaptive to different sampling rates and it is generalized to various types of ECG monitors. The proposed approach is superior to other state-of-the-art segmentation methods in terms of quality. In particular, F1-measures for detection of onsets and offsets of P and T waves and for QRS-complexes are at least 97.8%, 99.5%, and 99.9%, respectively.
Abstract（参考訳）: unetライクな完全畳み込みニューラルネットワークを用いた心電図(ecg)セグメンテーションアルゴリズムを提案する。アルゴリズムは任意のサンプリングレートECG信号を入力として受信し、出力としてP波とT波とQRS複合体のオンセットとオフセットのリストを与える。セグメンテーションの手法は,異なるサンプリングレートに適応し,各種のECGモニタに一般化するなど,速度,パラメータ数,一般化の点で他と異なる。提案手法は品質面で他の最先端セグメンテーション手法よりも優れている。特に、p波およびt波およびqrs波複合体の開始とオフセットを検出するf1測定値は、それぞれ97.8%、99.5%、99.9%である。

関連論文リスト

EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文参考訳（メタデータ） (2023-10-24T02:37:49Z)
A Cluster-Based Opposition Differential Evolution Algorithm Boosted by a Local Search for ECG Signal Classification [1.9738259547092656]
本稿では、ECG信号分類のための改良された微分進化(DE)アルゴリズムに基づく新しいアプローチを提案する。実験の結果,提案アルゴリズムは従来の学習アルゴリズムよりも優れた結果が得られることがわかった。
論文参考訳（メタデータ） (2023-05-04T11:10:30Z)
Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文参考訳（メタデータ） (2021-12-18T14:17:49Z)
Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文参考訳（メタデータ） (2021-11-25T10:11:41Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。我々は,マルチリード信号を2次元行列として扱うことを提案する。提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文参考訳（メタデータ） (2020-12-10T08:37:44Z)
A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
論文参考訳（メタデータ） (2020-08-25T18:23:50Z)
Multi-level Stress Assessment Using Multi-domain Fusion of ECG Signal [1.52292571922932]
複数のストレスレベルを持つデータセットを導入し、新しいディープラーニングアプローチを用いてこれらのレベルを分類する。信号画像は時間周波数領域と周波数領域に変換してマルチモーダル・マルチドメイン化した。提案された融合フレームワークとECG信号による画像変換により、平均精度は85.45%に達する。
論文参考訳（メタデータ） (2020-08-12T18:08:35Z)
DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文参考訳（メタデータ） (2020-05-18T13:13:41Z)
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)
A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
論文参考訳（メタデータ） (2020-04-24T23:41:41Z)

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。