論文の概要: Classification of Arrhythmia by Using Deep Learning with 2-D ECG
Spectral Image Representation
- arxiv url: http://arxiv.org/abs/2005.06902v2
- Date: Mon, 25 May 2020 16:44:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 04:57:17.527546
- Title: Classification of Arrhythmia by Using Deep Learning with 2-D ECG
Spectral Image Representation
- Title(参考訳): 2次元ecgスペクトル画像を用いたディープラーニングによる不整脈の分類
- Authors: Amin Ullah, Syed M. Anwar, Muhammad Bilal, and Raja M Mehmood
- Abstract要約: 本稿では,ECG信号を8つのクラスに分類するための2次元(2次元)畳み込みニューラルネットワーク(CNN)モデルを提案する。
我々は,最新の平均分類精度99.11%を達成し,同種の不整脈の分類において,最近報告した結果より優れている。
- 参考スコア(独自算出の注目度): 3.3426603061273994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The electrocardiogram (ECG) is one of the most extensively employed signals
used in the diagnosis and prediction of cardiovascular diseases (CVDs). The ECG
signals can capture the heart's rhythmic irregularities, commonly known as
arrhythmias. A careful study of ECG signals is crucial for precise diagnoses of
patients' acute and chronic heart conditions. In this study, we propose a
two-dimensional (2-D) convolutional neural network (CNN) model for the
classification of ECG signals into eight classes; namely, normal beat,
premature ventricular contraction beat, paced beat, right bundle branch block
beat, left bundle branch block beat, atrial premature contraction beat,
ventricular flutter wave beat, and ventricular escape beat. The one-dimensional
ECG time series signals are transformed into 2-D spectrograms through
short-time Fourier transform. The 2-D CNN model consisting of four
convolutional layers and four pooling layers is designed for extracting robust
features from the input spectrograms. Our proposed methodology is evaluated on
a publicly available MIT-BIH arrhythmia dataset. We achieved a state-of-the-art
average classification accuracy of 99.11\%, which is better than those of
recently reported results in classifying similar types of arrhythmias. The
performance is significant in other indices as well, including sensitivity and
specificity, which indicates the success of the proposed method.
- Abstract(参考訳): 心電図 (ECG) は、心血管疾患(CVD)の診断と予測に最も広く用いられている信号の一つである。
ECG信号は、不整脈として知られる心臓のリズミカルな不整脈を捉えることができる。
心電図信号の慎重な研究は、患者の急性および慢性心疾患の正確な診断に不可欠である。
本研究では,心電図信号の2次元畳み込みニューラルネットワーク(CNN)モデルを用いて,正常拍動,早期心室収縮拍動,ペースト拍動,右束枝ブロック拍動,左束枝ブロック拍動,心房早期収縮拍動,心室粗動拍動,心室避難拍動の8つのクラスに分類する。
1次元ecg時系列信号は、短時間フーリエ変換により2次元スペクトログラムに変換される。
4つの畳み込み層と4つのプーリング層からなる2次元CNNモデルは、入力スペクトログラムからロバストな特徴を抽出するために設計されている。
提案手法をMIT-BIH不整脈データセットを用いて評価した。
我々は,最近報告した同種の不整脈の分類に比較して,最先端の平均分類精度99.11\%を達成した。
提案手法の成功を示す感度や特異性など,他の指標においても性能は重要である。
関連論文リスト
- Deciphering Heartbeat Signatures: A Vision Transformer Approach to
Explainable Atrial Fibrillation Detection from ECG Signals [4.352517389805085]
単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。
また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
論文 参考訳(メタデータ) (2024-02-12T11:04:08Z) - ECGformer: Leveraging transformer for ECG heartbeat arrhythmia
classification [0.0]
不整脈または不整脈とも呼ばれる不整脈は不整脈を指す。
深層学習は、様々な医学的課題に取り組む際、例外的な能力を示した。
我々は心電図データに現れる様々な不整脈の分類のためのECGformerモデルを開発した。
論文 参考訳(メタデータ) (2024-01-06T06:14:48Z) - Deep Learning Models for Arrhythmia Classification Using Stacked
Time-frequency Scalogram Images from ECG Signals [4.659427498118277]
本稿では,心電図に基づく不整脈分類のためのAI自動分類システムを提案する。
深層学習に基づく解法は心電図に基づく不整脈分類のために提案されている。
論文 参考訳(メタデータ) (2023-12-01T03:16:32Z) - 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) - SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。
注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文 参考訳(メタデータ) (2022-10-31T07:36:48Z) - 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) - 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) - 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) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳(メタデータ) (2020-11-17T16:15:49Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
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。