Fugu-MT 論文翻訳(概要): SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification

論文の概要: SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification

arxiv url: http://arxiv.org/abs/2006.15353v1
Date: Sat, 27 Jun 2020 12:17:21 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 08:18:03.158184
Title: SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification
Title（参考訳）: SimGANs: 深部ECG分類を改善するためのECG合成のためのシミュレータベースの生成逆ネットワーク
Authors: Tomer Golany, Daniel Freedman and Kira Radinsky
Abstract要約: 心電図(ECG)合成の問題点について検討した。心臓動態を表す常微分方程式の系を用いて、生物学的に妥当な心電図トレーニング例を作成する。
参考スコア（独自算出の注目度）: 37.73516738836885
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generating training examples for supervised tasks is a long sought after goal in AI. We study the problem of heart signal electrocardiogram (ECG) synthesis for improved heartbeat classification. ECG synthesis is challenging: the generation of training examples for such biological-physiological systems is not straightforward, due to their dynamic nature in which the various parts of the system interact in complex ways. However, an understanding of these dynamics has been developed for years in the form of mathematical process simulators. We study how to incorporate this knowledge into the generative process by leveraging a biological simulator for the task of ECG classification. Specifically, we use a system of ordinary differential equations representing heart dynamics, and incorporate this ODE system into the optimization process of a generative adversarial network to create biologically plausible ECG training examples. We perform empirical evaluation and show that heart simulation knowledge during the generation process improves ECG classification.
Abstract（参考訳）: 教師付きタスクのトレーニング例を生成することは、AIの長年の目標である。心拍分類における心信号心電図(ecg)合成の問題点について検討した。このような生物学的・生理的システムの訓練例の生成は、システムの様々な部分が複雑な方法で相互作用する動的性質のため、単純ではない。しかし、これらの力学の理解は数理プロセスシミュレーターの形で長年発展してきた。生物シミュレータをECG分類のタスクに活用することにより,この知識を生成プロセスに組み込む方法について検討する。具体的には、心臓動態を表す常微分方程式の系を用いて、このODE系を生成逆数ネットワークの最適化プロセスに組み込んで、生物学的に妥当なECGトレーニング例を作成する。心電図の分類において,心電図作成過程における心臓シミュレーションの知識が向上することを示す。

関連論文リスト

AnyECG: Foundational Models for Electrocardiogram Analysis [36.53693619144332]
心電図(ECG)は急性心臓発作の検出に非常に敏感である。本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。異常検出,不整脈検出,不良鉛生成,超長期心電図信号解析などの実験結果から,AnyECGがデータから共通心電図の知識を学習し,各タスクにおける最先端手法を著しく上回ることを示す。
論文参考訳（メタデータ） (2024-11-17T17:32:58Z)
Ordinary Differential Equations for Enhanced 12-Lead ECG Generation [23.68913350398035]
通常の微分方程式(ODE)を用いて12リードのECGデータを生成することの忠実度を高める革新的な手法を提案する。このアプローチは、生成モデルの最適化プロセスに直接心臓力学を表現するODEのシステムを統合する。人工心電図データを用いて心電図解析を行い, 心電図データに心電図を組み込むことにより, 心電図データに基づいて心電図を訓練した心電図の精度が有意に向上することが確認された。
論文参考訳（メタデータ） (2024-09-26T13:35:42Z)
Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
論文参考訳（メタデータ） (2023-11-22T21:51:29Z)
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)
Transforming ECG Diagnosis:An In-depth Review of Transformer-based DeepLearning Models in Cardiovascular Disease Detection [0.0]
本稿では,ECG分類に適用可能なトランスフォーマーアーキテクチャの詳細なレビューを行う。これらのモデルは、他のモデルが見落としているかもしれないECG信号の複雑な時間的関係を捉えている。このレビューは、研究者や実践者にとって貴重なリソースであり、ECG解釈におけるこの革新的な応用に光を当てることを目的としている。
論文参考訳（メタデータ） (2023-06-02T03:23:16Z)
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)
MedalCare-XL: 16,900 healthy and pathological 12 lead ECGs obtained through electrophysiological simulations [0.12417791895581763]
機械的心電気生理学的モデルでは、心臓の電気活動のパーソナライズされたシミュレーションと、それに続く心電図(ECG)を体表面で行うことができる。電気生理学的シミュレーションに基づいて, 合計16,900個の心電図からなる新しい合成データベースを作成した。仮想コホートと公用臨床心電図データベースとの抽出特徴の比較により, 臨床心電図の合成信号は健常者, 病理組織学的サブポピュレーションにおいて高い忠実度を有する症例において臨床心電図を表すことが示された。
論文参考訳（メタデータ） (2022-11-29T07:46:39Z)
Leveraging Statistical Shape Priors in GAN-based ECG Synthesis [3.3482093430607267]
本稿では,GAN(Generative Adversarial Networks)と統計ECGデータモデリングを用いた新しいECG信号生成手法を提案する。本手法では,ECG信号の複雑なダイナミックスに対処するため,ECGのダイナミックスに関する事前知識を活用して現実的な信号の合成を行う。以上の結果から,ECG信号の時間的・振幅的変動を2次元形状としてモデル化した手法は,最先端のGANベースの生成ベースラインと比較して,より現実的な信号を生成することがわかった。
論文参考訳（メタデータ） (2022-10-22T18:06:11Z)
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)
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。