論文の概要: Anomaly Detection in Time Series with Triadic Motif Fields and
Application in Atrial Fibrillation ECG Classification
- arxiv url: http://arxiv.org/abs/2012.04936v1
- Date: Wed, 9 Dec 2020 09:39:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 01:52:26.895250
- Title: Anomaly Detection in Time Series with Triadic Motif Fields and
Application in Atrial Fibrillation ECG Classification
- Title(参考訳): 三相モチーフフィールドによる時系列異常検出と心房細動心電図分類への応用
- Authors: Yadong Zhang and Xin Chen
- Abstract要約: 時系列分析では、時系列モチーフと時系列の順序パターンは、一般的な時間パターンと動的特徴を明らかにすることができる。
TMFは、三進時系列モチーフに基づくシンプルで効果的な時系列画像符号化方法です。
この動的特徴は、伝達学習事前学習畳み込みニューラルネットワーク(CNN)モデルを用いて、TMF画像から抽出することができる。
symmetrized Gradient-weighted Class Mappingによって明らかにされたパターンは、明確な臨床解釈を有する。
- 参考スコア(独自算出の注目度): 3.026059658770843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the time-series analysis, the time series motifs and the order patterns in
time series can reveal general temporal patterns and dynamic features. Triadic
Motif Field (TMF) is a simple and effective time-series image encoding method
based on triadic time series motifs. Electrocardiography (ECG) signals are
time-series data widely used to diagnose various cardiac anomalies. The TMF
images contain the features characterizing the normal and Atrial Fibrillation
(AF) ECG signals. Considering the quasi-periodic characteristics of ECG
signals, the dynamic features can be extracted from the TMF images with the
transfer learning pre-trained convolutional neural network (CNN) models. With
the extracted features, the simple classifiers, such as the Multi-Layer
Perceptron (MLP), the logistic regression, and the random forest, can be
applied for accurate anomaly detection. With the test dataset of the PhysioNet
Challenge 2017 database, the TMF classification model with the VGG16 transfer
learning model and MLP classifier demonstrates the best performance with the
95.50% ROC-AUC and 88.43% F1 score in the AF classification. Besides, the TMF
classification model can identify AF patients in the test dataset with high
precision. The feature vectors extracted from the TMF images show clear
patient-wise clustering with the t-distributed Stochastic Neighbor Embedding
technique. Above all, the TMF classification model has very good clinical
interpretability. The patterns revealed by symmetrized Gradient-weighted Class
Activation Mapping have a clear clinical interpretation at the beat and rhythm
levels.
- Abstract(参考訳): 時系列分析では、時系列モチーフと時系列の順序パターンは、一般的な時間パターンと動的特徴を明らかにすることができる。
Triadic Motif Field (TMF) は3進時系列モチーフに基づく簡易かつ効果的な時系列画像符号化法である。
心電図 (ecg) 信号は、様々な心臓異常の診断に広く使用される時系列データである。
TMF画像は、正常および心房細動(AF)心電図信号の特徴を含む。
ECG信号の準周期特性を考慮すると、伝達学習事前学習畳み込みニューラルネットワーク(CNN)モデルを用いてTMF画像から動的特徴を抽出することができる。
抽出した特徴により、多層パーセプトロン(MLP)、ロジスティック回帰、ランダムフォレストといった単純な分類器を正確な異常検出に適用することができる。
PhysioNet Challenge 2017データベースのテストデータセットでは、VGG16転送学習モデルとMLP分類器を用いたTMF分類モデルは、AF分類における95.50%のROC-AUCと88.43%のF1スコアで最高のパフォーマンスを示している。
さらに、TMF分類モデルは、テストデータセット内のAF患者を高精度に識別することができる。
TMF画像から抽出した特徴ベクトルは, t-distributed Stochastic Neighbor Embedding 法により, 患者側のクラスタリングが明確であった。
とりわけtmf分類モデルは非常に優れた臨床解釈性を有する。
対称勾配重み付けクラスアクティベーションマッピングによって明らかになったパターンは、ビートとリズムレベルでの明確な臨床解釈を持っている。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Multiple Instance Ensembling For Paranasal Anomaly Classification In The
Maxillary Sinus [46.1292414445895]
副鼻腔奇形は幅広い形態学的特徴を持つ。
副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。
3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
論文 参考訳(メタデータ) (2023-03-31T09:23:27Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳(メタデータ) (2023-03-02T15:18:58Z) - Masked Frequency Modeling for Self-Supervised Visual Pre-Training [102.89756957704138]
MFM(Masked Frequency Modeling)は、視覚モデルの自己教師付き事前学習のための統合周波数領域に基づくアプローチである。
MFMはまず入力画像の周波数成分の一部をマスクアウトし、周波数スペクトルの欠落周波数を予測する。
MFMは初めて、ViTとCNNの両方で、単純な非シームフレームワークは、以下のものを使って意味のある表現を学習できることを示した。
論文 参考訳(メタデータ) (2022-06-15T17:58:30Z) - A Deep Learning Network for the Classification of Intracardiac
Electrograms in Atrial Tachycardia [4.62891362095648]
心房頻拍に対するカテーテルアブレーション治療の成功を可能にする重要な技術は,アクティベーションマッピングである。
これは、分数化信号の信号活性化ピークを特定するのが困難であるため、時間を要する、エラーを起こしやすい手順である。
本研究では,EMG信号の自動分類を3つのタイプに分類するディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-06-02T09:56:27Z) - 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) - Development of Interpretable Machine Learning Models to Detect
Arrhythmia based on ECG Data [0.0]
この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。
大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。
提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
論文 参考訳(メタデータ) (2022-05-05T17:29:33Z) - 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) - ECG Heart-beat Classification Using Multimodal Image Fusion [13.524306011331303]
我々は心電図の心拍分類のための新しい画像融合モデル(IFM)を提案する。
まず、まず、Gramian Angular Field(GAF)、Recurrence Plot(RP)、Markov Transition Field(MTF)を用いて、心電図の心拍を3つの異なる画像に変換する。
論文 参考訳(メタデータ) (2021-05-28T01:31:35Z) - Weakly Supervised Arrhythmia Detection Based on Deep Convolutional
Neural Network [5.967433492643221]
教師付き深層学習は自動心電図分類の研究に広く用いられている。
既存の大規模なECGデータセットのほとんどは、ほぼ注釈付きであるため、トレーニングされた分類モデルは、記録全体における異常の存在のみを検出することができます。
本研究では,異常心電図とその発生時間を検出するための弱教師付き深層学習モデルを提案する。
論文 参考訳(メタデータ) (2020-12-10T12:59:33Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z)
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。