Fugu-MT 論文翻訳(概要): Anomaly Detection in Time Series with Triadic Motif Fields and Application in Atrial Fibrillation ECG Classification

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

CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文参考訳（メタデータ） (2024-11-01T15:54:07Z)
Interpretable Pre-Trained Transformers for Heart Time-Series Data [15.377534937558744]
我々は、PTG-PTとECG-PTの2つのトレーニング済み汎用心臓モデルを作成する。 PPGのジクロティックノッチや心電図のP波など,個々の注意が生理学的に反する特徴に反応することを強調した。これらの事前訓練されたモデルは、心房細動(AF)の分類や、光胸腺撮影におけるビート検出などのタスクにおいて、簡単に微調整できる。
論文参考訳（メタデータ） (2024-07-30T12:22:03Z)
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)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
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)
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)
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。