Fugu-MT 論文翻訳(概要): Fully Automatic Electrocardiogram Classification System based on Generative Adversarial Network with Auxiliary Classifier

論文の概要: Fully Automatic Electrocardiogram Classification System based on Generative Adversarial Network with Auxiliary Classifier

arxiv url: http://arxiv.org/abs/2004.04894v3
Date: Thu, 4 Mar 2021 06:09:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-14 20:38:03.355317
Title: Fully Automatic Electrocardiogram Classification System based on Generative Adversarial Network with Auxiliary Classifier
Title（参考訳）: 補助分類器を用いた生成逆数ネットワークに基づく完全自動心電図分類システム
Authors: Zhanhong Zhou, Xiaolong Zhai, Chung Tin
Abstract要約: 高い性能を有する完全自動心電図不整脈分類システム(ECG)を用いたGAN(Generative Adversarial Network)を提案する。完全自動システムでは,MITBIH不整脈データベースにおいて,上室異所性ビート(SVEBビート)と心室異所性ビート(VEBVビート)の両者の総合的分類性能が良好であった。
参考スコア（独自算出の注目度）: 10.44188030325747
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: A generative adversarial network (GAN) based fully automatic electrocardiogram (ECG) arrhythmia classification system with high performance is presented in this paper. The generator (G) in our GAN is designed to generate various coupling matrix inputs conditioned on different arrhythmia classes for data augmentation. Our designed discriminator (D) is trained on both real and generated ECG coupling matrix inputs, and is extracted as an arrhythmia classifier upon completion of training for our GAN. After fine-tuning the D by including patient-specific normal beats estimated using an unsupervised algorithm, and generated abnormal beats by G that are usually rare to obtain, our fully automatic system showed superior overall classification performance for both supraventricular ectopic beats (SVEB or S beats) and ventricular ectopic beats (VEB or V beats) on the MIT-BIH arrhythmia database. It surpassed several state-of-art automatic classifiers and can perform on similar levels as some expert-assisted methods. In particular, the F1 score of SVEB has been improved by up to 13% over the top-performing automatic systems. Moreover, high sensitivity for both SVEB (87%) and VEB (93%) detection has been achieved, which is of great value for practical diagnosis. We, therefore, suggest our ACE-GAN (Generative Adversarial Network with Auxiliary Classifier for Electrocardiogram) based automatic system can be a promising and reliable tool for high throughput clinical screening practice, without any need of manual intervene or expert assisted labeling.
Abstract（参考訳）: 本稿では,完全自動心電図(ecg)不整脈分類システムを用いたgan(generative adversarial network)について述べる。 GANのジェネレータ(G)は、データ拡張のために異なる不整脈クラスで条件付けられた様々な結合行列入力を生成するように設計されている。我々の設計した判別器(D)は、実および生成したECG結合行列の入力に基づいて訓練され、GANのトレーニングが完了すると不整脈分類器として抽出される。 MIT-BIH不整脈データベースでは,非教師付きアルゴリズムを用いて患者固有の正常拍を推定し,Gによる異常拍を発生させることでDを微調整した後,全自動で上室異所性拍(SVEB,Sビート)と心室異所性拍(VEB,Vビート)の総合分類性能が良好であった。最先端の自動分類器を数種類超え、専門家支援手法と同様のレベルで実行することができる。特に、SVEBのF1スコアは、パフォーマンスの高い自動システムよりも最大13%向上している。また, SVEB (87%) とVOB (93%) の感度も高く, 診断に有用である。そこで我々は,ACE-GAN (Generative Adversarial Network with Auxiliary Classifier for Electrocardiogram) ベースの自動システムは,手動介在物や専門家によるラベリングを必要とせず,高スループットな臨床検診を行う上で有望かつ信頼性の高いツールであることを示す。

関連論文リスト

Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
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)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文参考訳（メタデータ） (2022-08-29T05:01:04Z)
ECG beat classification using machine learning and pre-trained convolutional neural networks [0.0]
この研究は、AAMI EC57標準に基づいて、5種類のECG不整脈を分類した。テストセットのパフォーマンスは、全体的な精度(98.62%)が向上し、5つの波形のそれぞれを分類する性能も向上した。
論文参考訳（メタデータ） (2022-06-14T17:23:51Z)
Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文参考訳（メタデータ） (2022-04-07T22:49:18Z)
Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks [24.226952040270564]
本稿では,ECG分類のための1D Self-organized Operational Neural Networks (1D Self-ONNs)を提案する。 1D Self-ONNは、演算子セットライブラリ内の前の演算子探索が完全に回避される従来のONNに比べて、最大の優位性と優位性を持つ。 MIT-BIH不整脈ベンチマークデータベースを用いた結果, 1D Self-ONN が 1D CNN をはるかに上回っていることがわかった。
論文参考訳（メタデータ） (2021-09-30T19:37:36Z)
Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
心電図(ECG)信号から心疾患を視覚的に検出することは困難である。自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
論文参考訳（メタデータ） (2020-11-12T04:20:56Z)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)
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。