Fugu-MT 論文翻訳(概要): A Graph-constrained Changepoint Detection Approach for ECG Segmentation

論文の概要: A Graph-constrained Changepoint Detection Approach for ECG Segmentation

arxiv url: http://arxiv.org/abs/2004.13558v1
Date: Fri, 24 Apr 2020 23:41:41 GMT
ステータス: 処理完了
システム内更新日: 2022-12-10 03:16:10.023710
Title: A Graph-constrained Changepoint Detection Approach for ECG Segmentation
Title（参考訳）: ECGセグメンテーションのためのグラフ制約変化点検出手法
Authors: Atiyeh Fotoohinasab, Toby Hocking, and Fatemeh Afghah
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.209323879611983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electrocardiogram (ECG) signal is the most commonly used non-invasive tool in the assessment of cardiovascular diseases. Segmentation of the ECG signal to locate its constitutive waves, in particular the R-peaks, is a key step in ECG processing and analysis. Over the years, several segmentation and QRS complex detection algorithms have been proposed with different features; however, their performance highly depends on applying preprocessing steps which makes them unreliable in real-time data analysis of ambulatory care settings and remote monitoring systems, where the collected data is highly noisy. Moreover, some issues still remain with the current algorithms in regard to the diverse morphological categories for the ECG signal and their high computation cost. In this paper, we introduce a novel graph-based optimal changepoint detection (GCCD) method for reliable detection of R-peak positions without employing any preprocessing step. The proposed model guarantees to compute the globally optimal changepoint detection solution. It is also generic in nature and can be applied to other time-series biomedical signals. Based on the MIT-BIH arrhythmia (MIT-BIH-AR) database, the proposed method achieves overall sensitivity Sen = 99.76, positive predictivity PPR = 99.68, and detection error rate DER = 0.55 which are comparable to other state-of-the-art approaches.
Abstract（参考訳）: 心電図(ECG)信号は、心血管疾患の評価において最も一般的に使用される非侵襲的ツールである。構成波、特にRピークを見つけるためのECG信号のセグメンテーションは、ECG処理と解析の重要なステップである。長年にわたり、いくつかのセグメンテーションとqrs複合検出アルゴリズムが異なる特徴で提案されてきたが、それらの性能は、収集されたデータが非常に騒がしい遠隔監視システムや保養医療設定のリアルタイムデータ分析において信頼できない事前処理ステップの適用に大きく依存している。さらに、ECG信号の多様な形態的カテゴリとその計算コストに関して、現在のアルゴリズムにはまだいくつかの問題が残っている。本稿では,前処理を必要とせず,信頼性の高いrピーク位置検出を行うグラフベース最適切替点検出(gccd)法を提案する。提案手法は,グローバルに最適な変更点検出ソリューションを計算することを保証する。自然界でも一般的であり、他の時系列生物医学信号にも応用できる。 MIT-BIH arrhythmia (MIT-BIH-AR) データベースをベースとして、提案手法は、全体的な感度 Sen = 99.76、正の予測率 PPR = 99.68、検出誤差率 DER = 0.55 を達成する。

関連論文リスト

Benchmarking changepoint detection algorithms on cardiac time series [3.397233888137007]
本研究は、疾患分類などの特定のタスクに対して、変更点検出アルゴリズムを選択するための原則的なアプローチを提案する。人工データから選択したパラメータを用いて,REM行動障害(RBD)患者22名と健常者15名の実データ(心的時系列)に全アルゴリズムを適用した。
論文参考訳（メタデータ） (2024-04-16T20:48:50Z)
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)
Two-stream Network for ECG Signal Classification [3.222802562733787]
本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。 MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
論文参考訳（メタデータ） (2022-10-05T08:14:51Z)
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)
A Greedy Graph Search Algorithm Based on Changepoint Analysis for Automatic QRS Complex Detection [6.47783315109491]
心電図(ECG)信号は、心血管疾患の研究において最も広く用いられる非侵襲的ツールである。本研究では,最適点検出モデルに基づく新しいグラフィカルモデルを導入することにより,ECG信号解析の新しい手法を提案する。提案モデルでは,ECG信号の急激な変化を検出するために,変化点の空間性を利用する。
論文参考訳（メタデータ） (2021-02-06T08:59:18Z)
A Graph-Constrained Changepoint Learning Approach for Automatic QRS-Complex Detection [5.763710641111973]
本研究では,Rピーク位置の探索にグラフベースの変化点検出モデルを適用し,ECG信号解析の新しい視点を提案する。提案した学習アルゴリズムは単純な初期グラフから始まり、Rピーク検出において最終グラフが最大精度を持つように反復的にグラフを編集する。
論文参考訳（メタデータ） (2021-02-02T05:19:19Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)
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)

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。