Fugu-MT 論文翻訳(概要): SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification

論文の概要: SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification

arxiv url: http://arxiv.org/abs/2012.05510v1
Date: Thu, 10 Dec 2020 08:37:44 GMT
ステータス: 処理完了
システム内更新日: 2021-05-15 06:10:11.675393
Title: SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification
Title（参考訳）: SE-ECGNet:ECG信号分類のためのSqueeze-and-Excitationモジュール付きマルチスケールディープ残留ネットワーク
Authors: Haozhen Zhang, Wei Zhao, Shuang Liu
Abstract要約: ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。我々は,マルチリード信号を2次元行列として扱うことを提案する。提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
参考スコア（独自算出の注目度）: 6.124438924401066
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The classification of electrocardiogram (ECG) signals, which takes much time and suffers from a high rate of misjudgment, is recognized as an extremely challenging task for cardiologists. The major difficulty of the ECG signals classification is caused by the long-term sequence dependencies. Most existing approaches for ECG signal classification use Recurrent Neural Network models, e.g., LSTM and GRU, which are unable to extract accurate features for such long sequences. Other approaches utilize 1-Dimensional Convolutional Neural Network (CNN), such as ResNet or its variant, and they can not make good use of the multi-lead information from ECG signals.Based on the above observations, we develop a multi-scale deep residual network for the ECG signal classification task. We are the first to propose to treat the multi-lead signal as a 2-dimensional matrix and combines multi-scale 2-D convolution blocks with 1-D convolution blocks for feature extraction. Our proposed model achieves 99.2% F1-score in the MIT-BIH dataset and 89.4% F1-score in Alibaba dataset and outperforms the state-of-the-art performance by 2% and 3%, respectively, view related code and data at https://github.com/Amadeuszhao/SE-ECGNet
Abstract（参考訳）: 心電図(ECG)信号の分類は、多くの時間がかかり、高い誤診率に悩まされるが、心臓科医にとって非常に難しい課題である。 ECG信号の分類の難しさは、長期のシーケンス依存によって引き起こされる。 ECG信号分類の既存のアプローチでは、LSTMやGRUといった、長いシーケンスの正確な特徴を抽出できないリカレントニューラルネットワークモデルが使われている。その他のアプローチでは、ResNetなどの1次元畳み込みニューラルネットワーク(CNN)を利用し、ECG信号からのマルチリード情報をうまく利用できないため、上記の観測に基づいて、ECG信号分類タスクのためのマルチスケールディープ残差ネットワークを開発する。我々は,マルチリード信号を2次元行列として扱うことを提案し,マルチスケールの2次元畳み込みブロックと1次元畳み込みブロックを組み合わせて特徴抽出を行う。提案モデルは,MIT-BIHデータセットの99.2%F1スコア,Alibabaデータセットの89.4%F1スコアを達成し,最先端のパフォーマンスを2%と3%で上回り,関連するコードとデータをhttps://github.com/Amadeuszhao/SE-ECGNetで閲覧する。

関連論文リスト

Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-08-11T15:46:00Z)
TSRNet: Simple Framework for Real-time ECG Anomaly Detection with Multimodal Time and Spectrogram Restoration Network [9.770923451320938]
本稿では,異常検出を利用したトレーニング用心電図データのみを用いた不健康状態の同定手法を提案する。本稿では,心電図信号の異常検出に特化して設計されたTSRNet(Multimodal Time and Spectrogram Restoration Network)を提案する。
論文参考訳（メタデータ） (2023-12-15T20:27:38Z)
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)
SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文参考訳（メタデータ） (2022-10-31T07:36:48Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
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)
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)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
心電図(ECG)信号から心疾患を視覚的に検出することは困難である。自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
論文参考訳（メタデータ） (2020-11-12T04:20:56Z)
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)
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。