論文の概要: Basis Function Based Data Driven Learning for the Inverse Problem of
Electrocardiography
- arxiv url: http://arxiv.org/abs/2102.00570v1
- Date: Mon, 1 Feb 2021 00:25:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 08:19:11.614541
- Title: Basis Function Based Data Driven Learning for the Inverse Problem of
Electrocardiography
- Title（参考訳）: 心電図の逆問題に対する基礎関数に基づくデータ駆動学習
- Authors: Tommy Peng, Avinash Malik, Laura Bear, Mark L. Trew
- Abstract要約: 本稿では,身体表面電位(BSP)から心臓表面電位(HSP)を予測するニューラルネットワーク手法を提案する。
ニューラルネットワークによって予測されるHSPは、臨床評価中に心機能障害を特定する活性化マップを作成するために使用できる。
- 参考スコア（独自算出の注目度）: 3.205884824260292
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: This paper proposes an neural network approach for predicting
heart surface potentials (HSPs) from body surface potentials (BSPs), which
reframes the traditional inverse problem of electrocardiography into a
regression problem through the use of Gaussian 3D (G3D) basis function
decomposition. Methods: HSPs were generated using G3D basis functions and
passed through a boundary element forward model to obtain corresponding BSPs.
The generated BSPs (input) and HSPs (output) were used to train a neural
network, which was then used to predict a variety of synthesized and decomposed
real-world HSPs. Results: Fitted G3D basis function parameters can accurately
reconstruct the real-world left ventricular paced recording with percent root
mean squared error (RMSE) of $1.34 \pm 1.30$%. The basis data trained neural
network was able to predict G3D basis function synthesized data with RMSE of
$8.46 \pm 1.55$%, and G3D representation of real-world data with RMSE of $18.5
\pm 5.25$%. Activation map produced from the predicted time series had a RMSE
of 17.0% and mean absolute difference of $10.3 \pm 10.8$ms when compared to
that produced from the actual left ventricular paced recording. Conclusion: A
Gaussian basis function based data driven model for re-framing the inverse
problem of electrocardiography as a regression problem is successful and
produces promising time series and activation map predictions of real-world
recordings even when only trained using Guassian data. Significance: The HSPs
predicted by the neural network can be used to create activation maps to
identify cardiac dysfunctions during clinical assessment.
- Abstract（参考訳）: 目的: ガウス3D(G3D)基底関数分解法を用いて, 心電図の従来の逆問題から回帰問題へと再構成する, 体表面電位(BSP)から心表面電位(HSP)を予測するニューラルネットワーク手法を提案する。
方法: HSPはG3D基底関数を用いて生成され,境界要素フォワードモデルを通過して対応するBSPを得る。
生成されたBSP(インプット)とHSP(アウトプット)はニューラルネットワークの訓練に使用され、その後様々な合成および分解された実世界のHSPを予測するために使用された。
結果:g3d基底関数パラメータは実世界の左室ペース記録を正確に再現でき、根平均二乗誤差 (rmse) は1.34 \pm 1.30$%である。
基礎データ訓練ニューラルネットワークは、RMSEが$8.46 \pm 1.55$%、およびRMSEが$18.5 \pm 5.25$%である実世界のデータのG3D表現でG3D基底関数合成データを予測できた。
予測時間系列から生成された活性化マップは、実際の左室ペース記録から生成されたものと比較して、RMSEは17.0%であり、絶対差は10.3 pm 10.8$msである。
結論: ガウス基底関数に基づく回帰問題として心電図の逆問題を再計算するデータ駆動モデルが成功し, ガウスデータのみを用いて訓練した場合でも実世界の記録の有望な時系列と活性化マップ予測を生成する。
意義:ニューラルネットワークによって予測されるHSPを使用して、臨床評価中に心機能障害を識別する活性化マップを作成することができる。
関連論文リスト
- 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。
本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。
提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
論文 参考訳（メタデータ） (2024-11-01T12:50:38Z) - Research on Early Warning Model of Cardiovascular Disease Based on Computer Deep Learning [5.761426161930679]
本研究は,1次元畳み込みニューラルネットワークに基づく心血管疾患早期警戒モデルについて検討することを目的とする。
患者年齢,血糖値,コレステロール値,胸痛値などの生理・症状指標が欠落し,Zスコアが標準化された。
論文 参考訳（メタデータ） (2024-06-13T07:04:22Z) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - Conditional variational autoencoder with Gaussian process regression
recognition for parametric models [0.0]
本稿では,ガウス過程回帰認識(CVAE-GPRR)を用いたCVAEの枠組みを提案する。
CVAE-GPRRはCVAEと同様の精度を達成できるが、パラメータは少ない。
CVAE-GPRRはCVAEの過適合問題を緩和する可能性が示唆された。
論文 参考訳（メタデータ） (2023-05-16T17:24:28Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳（メタデータ） (2023-01-06T05:01:05Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - An ordinal CNN approach for the assessment of neurological damage in
Parkinson's disease patients [0.0]
3D画像スキャンはパーキンソン病(PD)患者の神経学的損傷を評価するツールである。
本稿では,PD患者の神経障害レベルを評価するための3次元CNNオーディナルモデルを提案する。
論文 参考訳（メタデータ） (2021-05-31T15:38:59Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z)
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。