論文の概要: Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification

• arxiv url: http://arxiv.org/abs/2010.07639v1
• Date: Thu, 15 Oct 2020 10:13:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 05:21:06.107918
• Title: Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification
• Title（参考訳）: マルチラベル心電図信号分類のための散乱変換とディープニューラルネットワークの組み合わせ
• Authors: Maximilian P Oppelt, Maximilian Riehl, Felix P Kemeth, Jan Steffan
• Abstract要約: 我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。 このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An essential part for the accurate classification of electrocardiogram (ECG) signals is the extraction of informative yet general features, which are able to discriminate diseases. Cardiovascular abnormalities manifest themselves in features on different time scales: small scale morphological features, such as missing P-waves, as well as rhythmical features apparent on heart rate scales. For this reason we incorporate a variant of the complex wavelet transform, called a scatter transform, in a deep residual neural network (ResNet). The former has the advantage of being derived from theory, making it well behaved under certain transformations of the input. The latter has proven useful in ECG classification, allowing feature extraction and classification to be learned in an end-to-end manner. Through the incorporation of trainable layers in between scatter transforms, the model gains the ability to combine information from different channels, yielding more informative features for the classification task and adapting them to the specific domain. For evaluation, we submitted our model in the official phase in the PhysioNet/Computing in Cardiology Challenge 2020. Our (Team Triage) approach achieved a challenge validation score of 0.640, and full test score of 0.485, placing us 4th out of 41 in the official ranking.
• Abstract（参考訳）: 心電図(ECG)信号の正確な分類には、疾患を識別できる情報的だが一般的な特徴の抽出が不可欠である。 心血管異常は、p波の欠如のような小さな形態的特徴や心拍数尺度で見られるリズム的特徴など、様々な時間尺度で特徴として現れる。 このため、我々は、深層残留ニューラルネットワーク(resnet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。 前者は理論から導かれる利点があり、入力のある種の変換の下でうまく振る舞う。 後者はECG分類において有用であることが証明されており、特徴抽出と分類をエンドツーエンドで学習することができる。 散乱変換間のトレーニング可能な層を組み込むことにより、モデルは異なるチャネルからの情報を結合し、分類タスクのより情報的な特徴を与え、それらを特定の領域に適応させることができる。 評価のため,2020年のPhysioNet/Computing in Cardiology Challengeにおいて,本モデルを公式フェーズに提出した。 チームトライアージ(Team Triage)アプローチは、挑戦検証スコア0.640、完全テストスコア0.485を達成し、41点中4位にランクインしました。

関連論文リスト

• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• MSW-Transformer: Multi-Scale Shifted Windows Transformer Networks for 12-Lead ECG Classification [6.353064734475176]
  マルチウィンドウスライディングアテンション機構を用いて,異なる次元の特徴を捉える単一層トランスフォーマーネットワークを提案する。 学習可能な特徴融合法が提案され、異なるウィンドウの機能を統合してモデル性能をさらに向上する。 提案手法は, PTBXL-2020 12-lead ECGデータセットの5つの分類課題に対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-21T08:27:26Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• WarpPINN: Cine-MR image registration with physics-informed neural networks [2.338246743809955]
  心不全は通常、放出率などの大域的機能評価と診断される。 我々は物理インフォームドニューラルネットワークであるWarpPINNを導入し、画像登録を行い、心臓変形の局所的測定値を得る。
  論文  参考訳（メタデータ） (2022-11-22T19:48:02Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• 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)
• 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)
• Shift-invariant waveform learning on epileptic ECoG [1.7948767405202701]
  セイズール検出アルゴリズムは、様々な条件下で正常な神経活動から発作に関連する異常な活動を識別しなければならない。 我々は、空間フィルタされた信号のセグメントにシフト不変k平均アルゴリズムを適用し、波形のコードブックを学習する。 発作予測のための解釈可能な特徴を構築するのに使える非正弦波波形が再発しており、生理的にも有意である。
  論文  参考訳（メタデータ） (2021-08-06T15:47:17Z)
• 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)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。