Fugu-MT 論文翻訳(概要): A Greedy Graph Search Algorithm Based on Changepoint Analysis for Automatic QRS Complex Detection

論文の概要: A Greedy Graph Search Algorithm Based on Changepoint Analysis for Automatic QRS Complex Detection

arxiv url: http://arxiv.org/abs/2102.03538v1
Date: Sat, 6 Feb 2021 08:59:18 GMT
ステータス: 処理完了
システム内更新日: 2021-02-09 21:58:20.647372
Title: A Greedy Graph Search Algorithm Based on Changepoint Analysis for Automatic QRS Complex Detection
Title（参考訳）: 自動QRS複合検出のための変更点解析に基づくグレディグラフ探索アルゴリズム
Authors: Atiyeh Fotoohinasab, Toby Hocking, Fatemeh Afghah
Abstract要約: 心電図(ECG)信号は、心血管疾患の研究において最も広く用いられる非侵襲的ツールである。本研究では,最適点検出モデルに基づく新しいグラフィカルモデルを導入することにより,ECG信号解析の新しい手法を提案する。提案モデルでは,ECG信号の急激な変化を検出するために,変化点の空間性を利用する。
参考スコア（独自算出の注目度）: 6.47783315109491
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The electrocardiogram (ECG) signal is the most widely used non-invasive tool for the investigation of cardiovascular diseases. Automatic delineation of ECG fiducial points, in particular the R-peak, serves as the basis for ECG processing and analysis. This study proposes a new method of ECG signal analysis by introducing a new class of graphical models based on optimal changepoint detection models, named the graph-constrained changepoint detection (GCCD) model. The GCCD model treats fiducial points delineation in the non-stationary ECG signal as a changepoint detection problem. The proposed model exploits the sparsity of changepoints to detect abrupt changes within the ECG signal; thereby, the R-peak detection task can be relaxed from any preprocessing step. In this novel approach, prior biological knowledge about the expected sequence of changes is incorporated into the model using the constraint graph, which can be defined manually or automatically. First, we define the constraint graph manually; then, we present a graph learning algorithm that can search for an optimal graph in a greedy scheme. Finally, we compare the manually defined graphs and learned graphs in terms of graph structure and detection accuracy. We evaluate the performance of the algorithm using the MIT-BIH Arrhythmia Database. The proposed model achieves an overall sensitivity of 99.64%, positive predictivity of 99.71%, and detection error rate of 0.19 for the manually defined constraint graph and overall sensitivity of 99.76%, positive predictivity of 99.68%, and detection error rate of 0.55 for the automatic learning constraint graph.
Abstract（参考訳）: 心電図(ECG)信号は、心血管疾患の研究において最も広く用いられる非侵襲的ツールである。 ECGファイドシャルポイント、特にRピークの自動デライン化は、ECG処理および分析の基礎として機能します。本研究では,GCCD(Graph-Constrained Changepoint Detection)モデルと呼ばれる,最適な変化点検出モデルに基づく新しいグラフィカルモデルを導入することにより,ECG信号解析の新しい手法を提案する。 GCCDモデルは、変化点検出問題として、非定常ECG信号におけるフィデューシャル・ポイント・デラインメントを扱います。提案モデルでは,ECG信号内の急激な変化を検出するために,変更点の空間性を利用して,前処理ステップからRピーク検出タスクを緩和する。この新しいアプローチでは、期待される変更列に関する事前の生物学的知識が制約グラフを使用してモデルに組み込まれ、手動または自動で定義できる。まず,制約グラフを手動で定義し,その上で,最適グラフをグリード方式で探索するグラフ学習アルゴリズムを提案する。最後に,手動で定義したグラフと学習したグラフを,グラフ構造と検出精度の観点から比較する。 MIT-BIH Arrhythmia Database を用いたアルゴリズムの性能評価を行った。提案モデルでは, 総合感度99.64%, 正予測率99.71%, 検出誤差率0.19, 総合感度99.76%, 正予測率99.68%, 自動学習制約グラフの検出誤差率0.55が得られる。

関連論文リスト

Online Graph Learning via Time-Vertex Adaptive Filters: From Theory to Cardiac Fibrillation [37.69303106863453]
グラフシフト演算子(GSO)の適応推定のためのオンラインアルゴリズムであるAdaCGPを導入する。シミュレーションにより、AdaCGPは様々なグラフトポロジに対して一貫して良好に機能し、GSO推定において82%以上の改善が達成されることを示す。 AdaCGPのグラフ構造の変化を追跡する能力は、抗不整脈薬による心室細動動態の記録に示されている。
論文参考訳（メタデータ） (2024-11-03T13:43:51Z)
Leveraging Visibility Graphs for Enhanced Arrhythmia Classification with Graph Convolutional Networks [0.11184789007828977]
心電図(ECG)によって検出される不整脈は、重大な健康リスクを引き起こす。グラフベースの戦略の最近の進歩は不整脈検出性能の向上を目的としている。本研究では、可視化グラフ(VG)とベクトル可視グラフ(VVG)を用いたECG信号のグラフ表現について検討する。
論文参考訳（メタデータ） (2024-04-19T13:24:09Z)
ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文参考訳（メタデータ） (2023-12-22T09:02:01Z)
Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文参考訳（メタデータ） (2023-10-25T10:10:07Z)
Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks [13.025714736073489]
回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
論文参考訳（メタデータ） (2022-10-25T18:11:13Z)
Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文参考訳（メタデータ） (2021-12-19T05:04:53Z)
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)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
A Graph-Constrained Changepoint Learning Approach for Automatic QRS-Complex Detection [5.763710641111973]
本研究では,Rピーク位置の探索にグラフベースの変化点検出モデルを適用し,ECG信号解析の新しい視点を提案する。提案した学習アルゴリズムは単純な初期グラフから始まり、Rピーク検出において最終グラフが最大精度を持つように反復的にグラフを編集する。
論文参考訳（メタデータ） (2021-02-02T05:19:19Z)
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)
A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
論文参考訳（メタデータ） (2020-04-24T23:41:41Z)

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。