論文の概要: ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks
- arxiv url: http://arxiv.org/abs/2005.05236v1
- Date: Mon, 11 May 2020 16:29:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 19:52:15.982746
- Title: ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks
- Title（参考訳）: ECG-DelNet:ニューラルネットワークを用いた混合品質ラベル付心電図の表示
- Authors: Guillermo Jimenez-Perez and Alejandro Alcaine and Oscar Camara
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 69.25956542388653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrocardiogram (ECG) detection and delineation are key steps for numerous
tasks in clinical practice, as ECG is the most performed non-invasive test for
assessing cardiac condition. State-of-the-art algorithms employ digital signal
processing (DSP), which require laborious rule adaptation to new morphologies.
In contrast, deep learning (DL) algorithms, especially for classification, are
gaining weight in academic and industrial settings. However, the lack of model
explainability and small databases hinder their applicability. We demonstrate
DL can be successfully applied to low interpretative tasks by embedding ECG
detection and delineation onto a segmentation framework. For this purpose, we
adapted and validated the most used neural network architecture for image
segmentation, the U-Net, to one-dimensional data. The model was trained using
PhysioNet's QT database, comprised of 105 ambulatory ECG recordings, for
single- and multi-lead scenarios. To alleviate data scarcity, data
regularization techniques such as pre-training with low-quality data labels,
performing ECG-based data augmentation and applying strong model regularizers
to the architecture were attempted. Other variations in the model's capacity
(U-Net's depth and width), alongside the application of state-of-the-art
additions, were evaluated. These variations were exhaustively validated in a
5-fold cross-validation manner. The best performing configuration reached
precisions of 90.12%, 99.14% and 98.25% and recalls of 98.73%, 99.94% and
99.88% for the P, QRS and T waves, respectively, on par with DSP-based
approaches. Despite being a data-hungry technique trained on a small dataset,
DL-based approaches demonstrate to be a viable alternative to traditional
DSP-based ECG processing techniques.
- Abstract（参考訳）: 心電図(ECG)の検出とデライン化は,心電図が心疾患の診断に最も有効な非侵襲的検査であるため,臨床実践における多くの課題において重要なステップである。
最先端のアルゴリズムはデジタル信号処理(DSP)を採用しており、新しい形態に厳格な規則を適用する必要がある。
対照的に、特に分類のためのディープラーニング(dl)アルゴリズムは、学術的および工業的な環境で重み付けされている。
しかし、モデル説明可能性の欠如と小さなデータベースが適用性を妨げている。
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。
そこで我々は,画像分割のためのニューラルネットワークアーキテクチャであるU-Netを1次元データに適用し,検証した。
このモデルは、シングルリードシナリオとマルチリードシナリオのために、105個の増幅ECG記録からなるPhyloNetのQTデータベースを使用してトレーニングされた。
データ不足を軽減するため、低品質のデータラベルによる事前トレーニング、ECGベースのデータ拡張、強力なモデル正規化器をアーキテクチャに適用するといったデータ正規化手法を試みた。
モデル容量の他のバリエーション(u-netの深さと幅)と最先端の追加の適用について評価した。
これらのバリエーションは5倍のクロスバリデーション方法で徹底的に検証された。
最高の性能設定は90.12%、99.14%、98.25%の精度に達し、それぞれ98.73%、99.94%、99.88%のP波、QRS波、T波をDSPベースのアプローチで再現した。
DLベースのアプローチは、小さなデータセットでトレーニングされたデータハングリー技術であるにもかかわらず、従来のDSPベースのECG処理技術に代わる実行可能な代替手段であることを実証している。
関連論文リスト
- ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。
新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。
DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
論文 参考訳（メタデータ） (2024-07-25T13:27:10Z) - Self-Trained Model for ECG Complex Delineation [0.0]
心電図(ECG)のデライン化は、正確な診断で心臓科医を支援する上で重要な役割を担っている。
我々は,ECGデライン化のためのデータセットを導入し,大量のラベルのないECGデータを活用することを目的とした,新たな自己学習手法を提案する。
我々のアプローチでは、データセットでトレーニングされたニューラルネットワークを使用してラベルなしデータの擬似ラベル付けを行い、その後、新たにラベル付けされたサンプル上でモデルをトレーニングし、デライン化の品質を高める。
論文 参考訳（メタデータ） (2024-06-04T18:54:10Z) - 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) - GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for
Robust Electrocardiogram Prediction [20.8603653664403]
本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。
我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。
12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
論文 参考訳（メタデータ） (2022-08-02T03:14:13Z) - Mythological Medical Machine Learning: Boosting the Performance of a
Deep Learning Medical Data Classifier Using Realistic Physiological Models [0.0]
PTSDにより,T-wave Alternans (TWA) を含む人工心電図を180,000個生成した。
7万人以上の患者に25種類のリズムを分類するよう訓練されたディープニューラルネットワーク(DNN)は、出力層をバイナリクラスに修正した。
最も優れた手法は、事前訓練された不整脈DNN、人工データ、およびPTSD関連心電図データを用いて、両方の転送学習ステップを実行することで見出された。
論文 参考訳（メタデータ） (2021-12-28T17:55:37Z) - 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) - 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) - 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) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
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。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。