論文の概要: MLBF-Net: A Multi-Lead-Branch Fusion Network for Multi-Class Arrhythmia Classification Using 12-Lead ECG

• arxiv url: http://arxiv.org/abs/2008.07263v1
• Date: Mon, 17 Aug 2020 12:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 03:34:15.568026
• Title: MLBF-Net: A Multi-Lead-Branch Fusion Network for Multi-Class Arrhythmia Classification Using 12-Lead ECG
• Title（参考訳）: MLBF-Net:12レベル心電図を用いた多段階不整脈分類のためのマルチレベルブランチ融合ネットワーク
• Authors: Jing Zhang, Deng Liang, Aiping Liu, Min Gao, Xiang Chen, Xu Zhang, Xun Chen
• Abstract要約: 不整脈分類のための新しいMulti-Lead-Branch Fusion Network (MLBF-Net) アーキテクチャを提案する。 MLBF-Netは,1)マルチリードECGの多様性を学習する複数のリード固有ブランチ,2)マルチリードECGの完全性を学ぶために,すべてのブランチの出力特徴マップを連結して融合するクロスリード機能,の3つのコンポーネントで構成されている。
• 参考スコア（独自算出の注目度）: 18.008404374681863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic arrhythmia detection using 12-lead electrocardiogram (ECG) signal plays a critical role in early prevention and diagnosis of cardiovascular diseases. In the previous studies on automatic arrhythmia detection, most methods concatenated 12 leads of ECG into a matrix, and then input the matrix to a variety of feature extractors or deep neural networks for extracting useful information. Under such frameworks, these methods had the ability to extract comprehensive features (known as integrity) of 12-lead ECG since the information of each lead interacts with each other during training. However, the diverse lead-specific features (known as diversity) among 12 leads were neglected, causing inadequate information learning for 12-lead ECG. To maximize the information learning of multi-lead ECG, the information fusion of comprehensive features with integrity and lead-specific features with diversity should be taken into account. In this paper, we propose a novel Multi-Lead-Branch Fusion Network (MLBF-Net) architecture for arrhythmia classification by integrating multi-loss optimization to jointly learning diversity and integrity of multi-lead ECG. MLBF-Net is composed of three components: 1) multiple lead-specific branches for learning the diversity of multi-lead ECG; 2) cross-lead features fusion by concatenating the output feature maps of all branches for learning the integrity of multi-lead ECG; 3) multi-loss co-optimization for all the individual branches and the concatenated network. We demonstrate our MLBF-Net on China Physiological Signal Challenge 2018 which is an open 12-lead ECG dataset. The experimental results show that MLBF-Net obtains an average $F_1$ score of 0.855, reaching the highest arrhythmia classification performance. The proposed method provides a promising solution for multi-lead ECG analysis from an information fusion perspective.
• Abstract（参考訳）: 12誘導心電図(ecg)信号を用いた不整脈の自動検出は、心血管疾患の早期予防と診断において重要な役割を果たす。 自動不整脈検出に関する以前の研究では、ほとんどの方法はECGの12個の鉛をマトリックスに結合し、そのマトリックスを様々な特徴抽出器やディープニューラルネットワークに入力して有用な情報を抽出する。 このような枠組みの下で、これらの手法は訓練中に各リードの情報が相互に相互作用するため、12リードのECGの包括的な特徴(完全性)を抽出する能力を持っていた。 しかし、12個のリードのうち様々なリード特異的特徴(多様性として知られる)は無視され、12個のリード心電図では不十分な情報学習を引き起こした。 マルチリードECGの情報学習を最大化するためには、完全性を備えた包括的特徴と多様性のあるリード特有特徴との情報融合を考慮する必要がある。 本稿では,マルチリーチ心電図の多様性と整合性を共同学習するマルチロス最適化を統合し,不整脈分類のための新しいマルチリーチ分岐融合ネットワーク(mlbf-net)アーキテクチャを提案する。 MLBF-Netは3つのコンポーネントで構成されています。 1) マルチリード心電図の多様性を学習するための複数のリード固有分枝 2)複数リード心電図の完全性を学ぶために,全ブランチの出力特徴マップを連結してクロスリード特徴融合を行う。 3) 各枝と連結ネットワークのマルチロス共最適化を行う。 MLBF-Net on China Physiological Signal Challenge 2018は、オープン12リードのECGデータセットである。 実験の結果,MLBF-Netは平均$F_1$スコア0.855を獲得し,不整脈分類成績が最も高かった。 情報融合の観点から,マルチリードECG解析のための有望な解法を提案する。

関連論文リスト

• AmpliNetECG12: A lightweight SoftMax-based relativistic amplitude amplification architecture for 12 lead ECG classification [0.0]
  本研究では,心臓の異常を迅速かつ正確に診断することを目的とした,新しいディープラーニングアーキテクチャを提案する。 我々は、ECG偏向の可視性を改善するために、aSoftMaxと呼ばれる新しいアクティベーション関数を考案した。 心臓疾患の診断では84%の異常な精度が得られた。
  論文  参考訳（メタデータ） (2024-11-21T07:28:24Z)
• ECG Semantic Integrator (ESI): A Foundation ECG Model Pretrained with LLM-Enhanced Cardiological Text [14.06147507373525]
  本研究は,12誘導ECG信号の学習表現の品質とロバスト性の向上を目的とした,新しいマルチモーダルコントラスト保持フレームワークを提案する。 私たちのフレームワークは、Cardio Query Assistant(CQA)とECG Semantics Integrator(ESI)の2つの重要なコンポーネントで構成されています。
  論文  参考訳（メタデータ） (2024-05-26T06:45:39Z)
• MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat Counting and Demographic Data Integration [0.0]
  本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。 具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。 これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
  論文  参考訳（メタデータ） (2022-08-15T09:33:36Z)
• 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)
• ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
  本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。 MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。 不整脈では99.7%,MIでは99.2%の分類が得られた。
  論文  参考訳（メタデータ） (2021-07-21T03:48:35Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Interpretable Deep Learning for Automatic Diagnosis of 12-lead Electrocardiogram [15.464768773761527]
  12誘導心電図記録における心不整脈のマルチラベル分類のためのディープニューラルネットワークを開発した。 提案モデルでは、受信機動作特性曲線(AUC)0.970、F1スコア0.813の平均領域を達成した。 最も優れたリードは、12のリードのうち、リードI、aVR、V5である。
  論文  参考訳（メタデータ） (2020-10-20T14:51:00Z)
• 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)
• 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。