論文の概要: Noise-Resilient Automatic Interpretation of Holter ECG Recordings
- arxiv url: http://arxiv.org/abs/2011.09303v1
- Date: Tue, 17 Nov 2020 16:15:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 16:29:05.241464
- Title: Noise-Resilient Automatic Interpretation of Holter ECG Recordings
- Title(参考訳): ホルター心電図記録のノイズレジリエント自動解釈
- Authors: Konstantin Egorov, Elena Sokolova, Manvel Avetisian, Alexander
Tuzhilin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 67.59562181136491
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Holter monitoring, a long-term ECG recording (24-hours and more), contains a
large amount of valuable diagnostic information about the patient. Its
interpretation becomes a difficult and time-consuming task for the doctor who
analyzes them because every heartbeat needs to be classified, thus requiring
highly accurate methods for automatic interpretation. In this paper, we present
a three-stage process for analysing Holter recordings with robustness to noisy
signal. First stage is a segmentation neural network (NN) with encoderdecoder
architecture which detects positions of heartbeats. Second stage is a
classification NN which will classify heartbeats as wide or narrow. Third stage
in gradient boosting decision trees (GBDT) on top of NN features that
incorporates patient-wise features and further increases performance of our
approach. As a part of this work we acquired 5095 Holter recordings of patients
annotated by an experienced cardiologist. A committee of three cardiologists
served as a ground truth annotators for the 291 examples in the test set. We
show that the proposed method outperforms the selected baselines, including two
commercial-grade software packages and some methods previously published in the
literature.
- Abstract(参考訳): ホルターモニタリング、長期心電図記録(24時間以上)には、患者に関する貴重な診断情報が大量に含まれている。
その解釈は、すべての心拍を分類する必要があるため、分析する医師にとって困難かつ時間のかかる作業となり、自動解釈のための高精度な方法が必要となる。
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エンコーダ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、心拍を幅または狭く分類する分類nnである。
第3段階として,患者の機能とアプローチのさらなる向上を図ったNN機能の上に,勾配向上決定木(GBDT)を配置した。
この研究の一環として、経験豊富な心科医が注釈を付けた患者の5095ホルター記録を取得した。
3人の心臓科医の委員会が、テストセットの291例の根拠真理の注釈役を務めた。
提案手法は,2つの商用ソフトウェアパッケージと以前に文献に発表されていたいくつかの手法を含む,選択されたベースラインを上回っている。
関連論文リスト
- UniLVSeg: Unified Left Ventricular Segmentation with Sparsely Annotated
Echocardiogram Videos through Self-Supervised Temporal Masking and Weakly
Supervised Training [0.9304666952022026]
本研究は心エコービデオから左室一貫性セグメンテーション(LV)の新たなアプローチを導入する。
本研究では,(1)時間マスキングを用いた自己教師型学習(SSL),(2)弱教師型学習によって実現した。
提案手法は,大規模データセット上で93.32%のダイススコアを達成し,最先端のソリューションよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-09-30T18:13:41Z) - Automatic Detection of Noisy Electrocardiogram Signals without Explicit
Noise Labels [12.176026483486252]
ノイズの多いECGサンプルを自動的に検出する2段階のディープラーニングベースのフレームワークを提案する。
本フレームワークは, わずかに, 非常にノイズの多いECGサンプルを効果的に検出できる。
また、あるデータセットで学習したモデルの別のデータセットへの転送について検討し、このフレームワークがノイズの多いECGサンプルを効果的に検出することを観察する。
論文 参考訳(メタデータ) (2022-08-08T17:16:16Z) - 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) - Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
本研究では,新しいセグメンテーションフリー心音分類法を提案する。
具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。
サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
論文 参考訳(メタデータ) (2021-08-09T16:09:30Z) - Fully Automated 2D and 3D Convolutional Neural Networks Pipeline for
Video Segmentation and Myocardial Infarction Detection in Echocardiography [7.378083964709321]
畳み込みニューラルネットワーク(CNN)に基づく,革新的なリアルタイムエンドツーエンドフルオートマチックモデルを提案する。
A4C(Apical 4-chamber)ビューからLVチャンバーをセグメント化してデータ前処理を行う2次元CNNと、セグメント化された心エコー図がMIの兆候を示すかどうかを検出するバイナリ分類を行う3次元CNNからなるパイプラインとして実装しています。
論文 参考訳(メタデータ) (2021-03-26T21:03:33Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-09-24T00:42:36Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳(メタデータ) (2020-06-25T21:10:04Z) - 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) - 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) - HAN-ECG: An Interpretable Atrial Fibrillation Detection Model Using
Hierarchical Attention Networks [15.96723122978118]
心房細動(英: atrial fibrillation、AF)は、米国で300万人以上、世界中の3300万人以上の人の生活に影響を及ぼす最も一般的な不整脈の1つである。
本稿では,AF検出タスクに対する双方向リカレント・ニューラルネットワークに基づく解釈可能なアプローチであるHAN-ECGを提案する。
論文 参考訳(メタデータ) (2020-02-12T22:23:06Z)
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。