論文の概要: Fetal ECG Extraction from Maternal ECG using Attention-based CycleGAN
- arxiv url: http://arxiv.org/abs/2011.12138v2
- Date: Tue, 9 Feb 2021 22:02:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 12:16:42.882424
- Title: Fetal ECG Extraction from Maternal ECG using Attention-based CycleGAN
- Title（参考訳）: Attention-based CycleGAN を用いた母体心電図からの胎児心電図抽出
- Authors: Mohammad Reza Mohebbian, Seyed Shahim Vedaei, Khan A. Wahid, Anh Dinh,
Hamid Reza Marateb, Kouhyar Tavakolian
- Abstract要約: 非侵襲性胎児心電図(FECG)は胎児心臓の電気パルスをモニターするために用いられる。
適応フィルタのような従来の分解技術では、 MECG を FECG に効率的にマッピングするために、チューニング、アライメント、事前設定を必要とする。
提案手法は,A&D FECGデータセットに適合するとして,腹部MECGを平均98%のR-Squareで頭皮FECGにマッピングする。
99.7%のF1スコア [CI 95%:97.8-99.9]、99.6%のF1スコア [CI 95%:98.2%、99.9%]、99.3%のF1スコア [CI 95%):
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-invasive fetal electrocardiogram (FECG) is used to monitor the electrical
pulse of the fetal heart. Decomposing the FECG signal from maternal ECG (MECG)
is a blind source separation problem, which is hard due to the low amplitude of
FECG, the overlap of R waves, and the potential exposure to noise from
different sources. Traditional decomposition techniques, such as adaptive
filters, require tuning, alignment, or pre-configuration, such as modeling the
noise or desired signal. to map MECG to FECG efficiently. The high correlation
between maternal and fetal ECG parts decreases the performance of convolution
layers. Therefore, the masking region of interest using the attention mechanism
is performed for improving signal generators' precision. The sine activation
function is also used since it could retain more details when converting two
signal domains. Three available datasets from the Physionet, including A&D
FECG, NI-FECG, and NI-FECG challenge, and one synthetic dataset using FECGSYN
toolbox, are used to evaluate the performance. The proposed method could map
abdominal MECG to scalp FECG with an average 98% R-Square [CI 95%: 97%, 99%] as
the goodness of fit on A&D FECG dataset. Moreover, it achieved 99.7 % F1-score
[CI 95%: 97.8-99.9], 99.6% F1-score [CI 95%: 98.2%, 99.9%] and 99.3% F1-score
[CI 95%: 95.3%, 99.9%] for fetal QRS detection on, A&D FECG, NI-FECG and
NI-FECG challenge datasets, respectively. These results are comparable to the
state-of-the-art; thus, the proposed algorithm has the potential of being used
for high-performance signal-to-signal conversion.
- Abstract（参考訳）: 非侵襲性胎児心電図(FECG)は胎児心臓の電気パルスをモニターするために用いられる。
母性心電図(MECG)からのFECG信号の分解はブラインドソース分離の問題であり、FECGの振幅の低さ、R波の重なり、および異なる音源からのノイズへの潜在的暴露により困難である。
適応フィルタのような従来の分解技術は、ノイズや所望の信号のモデリングのようなチューニング、アライメント、事前設定を必要とする。
MECGをFECGに効率的にマッピングする。
母子心電図と胎児心電図の高相関は畳み込み層の性能を低下させる。
したがって、信号発生器の精度を向上させるため、注意機構を用いた関心のマスキング領域が実行される。
2つの信号領域を変換する際にさらに詳細を保持することができるため、正弦活性化関数も用いられる。
A&D FECG、NI-FECG、NI-FECGの3つのデータセットと、FECGSYNツールボックスを使用した1つの合成データセットを使用して、パフォーマンスを評価する。
提案手法は,A&D FECGデータセットに適合するとして,平均98% R-Square [CI 95%: 97%, 99%] の腹部MECGを頭皮FECGにマッピングする。
さらに 99.7 % F1-score [CI 95%: 97.8-99.9] と 99.6% F1-score [CI 95%: 98.2%, 99.9%] と 99.3% F1-score [CI 95%: 95.3%, 99.9%] を達成した。
これらの結果は最先端技術に匹敵する結果となり,提案手法は高性能信号対信号変換に応用できる可能性が示唆された。
関連論文リスト
- Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。
本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。
本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-07T12:15:53Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:34:15Z) - 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) - A Novel Deep Learning Technique for Morphology Preserved Fetal ECG
Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。
fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。
本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。
胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
論文 参考訳（メタデータ） (2023-09-25T19:38:51Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Deep conv-attention model for diagnosing left bundle branch block from
12-lead electrocardiograms [5.156484100374058]
本研究では,12個の心電図データからLBBB不整脈を検出するためのディープラーニングモデルを提案する。
提案手法は10344個のECGサンプルを含むデータベース上で訓練および検証を行う。
論文 参考訳（メタデータ） (2022-12-07T08:30:23Z) - 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) - Robust R-Peak Detection in Low-Quality Holter ECGs using 1D
Convolutional Neural Network [20.198563425074372]
本論文ではホルターECG信号におけるRピーク検出のための汎用かつ堅牢なシステムを提案する。
1D Convolutional Neural Network(CNN)の新しい実装は、誤報の数を減らすために検証モデルと統合されています。
実験の結果,CPSC-DBでは99.30%のF1スコア,99.69%のリコール,98.91%の精度が得られた。
論文 参考訳（メタデータ） (2020-12-29T21:10:54Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - 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)
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。