論文の概要: Enhance CNN Robustness Against Noises for Classification of 12-Lead ECG
with Variable Length
- arxiv url: http://arxiv.org/abs/2008.03609v4
- Date: Mon, 30 Nov 2020 20:09:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 11:57:48.226549
- Title: Enhance CNN Robustness Against Noises for Classification of 12-Lead ECG
with Variable Length
- Title(参考訳): 可変長12レベル心電図の分類における雑音に対するCNNロバスト性
- Authors: Linhai Ma, Liang Liang
- Abstract要約: 深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。
本研究では,可変長12リードECG信号の分類のためのCNNを設計した。
評価の結果, CPSC 2018 ECG分類課題の上位6項目に匹敵するF1スコアと平均精度を達成できた。
- 参考スコア(独自算出の注目度): 2.2977141788872366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrocardiogram (ECG) is the most widely used diagnostic tool to monitor
the condition of the cardiovascular system. Deep neural networks (DNNs), have
been developed in many research labs for automatic interpretation of ECG
signals to identify potential abnormalities in patient hearts. Studies have
shown that given a sufficiently large amount of data, the classification
accuracy of DNNs could reach human-expert cardiologist level. However, despite
of the excellent performance in classification accuracy, it has been shown that
DNNs are highly vulnerable to adversarial noises which are subtle changes in
input of a DNN and lead to a wrong class-label prediction with a high
confidence. Thus, it is challenging and essential to improve robustness of DNNs
against adversarial noises for ECG signal classification, a life-critical
application. In this work, we designed a CNN for classification of 12-lead ECG
signals with variable length, and we applied three defense methods to improve
robustness of this CNN for this classification task. The ECG data in this study
is very challenging because the sample size is limited, and the length of each
ECG recording varies in a large range. The evaluation results show that our
customized CNN reached satisfying F1 score and average accuracy, comparable to
the top-6 entries in the CPSC2018 ECG classification challenge, and the defense
methods enhanced robustness of our CNN against adversarial noises and white
noises, with a minimal reduction in accuracy on clean data.
- Abstract(参考訳): 心電図(Electrocardiogram, ECG)は、心血管系の状態をモニターする最も広く用いられる診断ツールである。
ディープニューラルネットワーク(Deep Neural Network, DNN)は、心電図信号の自動解釈のために多くの研究室で開発されている。
十分な量のデータがあれば、DNNの分類精度は人間の専門的な心臓科医レベルに達する可能性がある。
しかし, 分類精度が優れているにもかかわらず, DNNは, DNNの入力の微妙な変化を伴い, 信頼度の高いクラスラベル予測の誤りにつながる敵対的雑音に対して非常に脆弱であることが示されている。
したがって、生命クリティカルな応用であるECG信号分類において、逆方向雑音に対するDNNの堅牢性を改善することは困難かつ不可欠である。
本研究では,12誘導ECG信号を可変長で分類するためのCNNを設計し,CNNの堅牢性を向上させるために3つの防御手法を適用した。
本研究のECGデータは非常に難しいのは,サンプルサイズが限られており,各ECG記録の長さが広い範囲で変化するためである。
評価の結果,cpsc2018 ecg分類チャレンジの上位6項目に匹敵するf1スコアと平均精度を満たし,cnnの逆雑音や白色雑音に対する頑健性を高め,クリーンデータにおける精度を最小に抑えることができた。
関連論文リスト
- 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - 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) - 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) - A Regularization Method to Improve Adversarial Robustness of Neural
Networks for ECG Signal Classification [1.8579693774597703]
心電図(Electrocardiogram、ECG)は、ヒトの心臓の状態をモニターする最も広く用いられる診断ツールである。
ECG信号のディープニューラルネットワーク(DNN)解釈は、患者の心臓の潜在的な異常を1秒で識別するために完全に自動化することができる。
DNNは、DNNの入力に微妙な変化をもたらす敵の雑音に対して非常に脆弱であり、間違ったクラスラベル予測をもたらす可能性がある。
本稿では,ECG信号分類の適用のために,ノイズ-信号比(NSR)の観点から頑健性を改善するための正規化手法を提案する。
論文 参考訳(メタデータ) (2021-10-19T06:22:02Z) - ECG-ATK-GAN: Robustness against Adversarial Attacks on ECG using
Conditional Generative Adversarial Networks [12.833916980261368]
ディープニューラルネットワーク(DNN)は、ECG信号を誤分類できる敵攻撃に対して脆弱である。
本稿では,敵の攻撃したECG信号に対して頑健な条件付き生成逆数ネットワーク(GAN)を提案する。
論文 参考訳(メタデータ) (2021-10-17T08:44:17Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - 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) - Improve robustness of DNN for ECG signal classification:a
noise-to-signal ratio perspective [2.2977141788872366]
深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。
DNNは敵の攻撃に対して非常に脆弱である。
本研究では,雑音-信号比(NSR)の観点からDNNのロバスト性を改善することを提案する。
論文 参考訳(メタデータ) (2020-05-18T23:37:33Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z)
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。