論文の概要: 3KG: Contrastive Learning of 12-Lead Electrocardiograms using Physiologically-Inspired Augmentations

• arxiv url: http://arxiv.org/abs/2106.04452v2
• Date: Tue, 21 Sep 2021 00:27:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 00:14:14.961485
• Title: 3KG: Contrastive Learning of 12-Lead Electrocardiograms using Physiologically-Inspired Augmentations
• Title（参考訳）: 3KG:生理的刺激による心電図の対比学習
• Authors: Bryan Gopal, Ryan W. Han, Gautham Raghupathi, Andrew Y. Ng, Geoffrey H. Tison, Pranav Rajpurkar
• Abstract要約: 3KGは生理学的にインスパイアされたコントラスト学習アプローチであり、12誘導心電図の3D拡張を用いてビューを生成する。 本研究では,PhyloNet 2020チャレンジトレーニングデータを用いた23クラス診断の下流タスクに対して,線形層を微調整することにより表現品質を評価する。 我々の経験的分析は、空間的および時間的増強が最強の表現を生み出すことを示している。
• 参考スコア（独自算出の注目度）: 4.253921069579052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose 3KG, a physiologically-inspired contrastive learning approach that generates views using 3D augmentations of the 12-lead electrocardiogram. We evaluate representation quality by fine-tuning a linear layer for the downstream task of 23-class diagnosis on the PhysioNet 2020 challenge training data and find that 3KG achieves a $9.1\%$ increase in mean AUC over the best self-supervised baseline when trained on $1\%$ of labeled data. Our empirical analysis shows that combining spatial and temporal augmentations produces the strongest representations. In addition, we investigate the effect of this physiologically-inspired pretraining on downstream performance on different disease subgroups and find that 3KG makes the greatest gains for conduction and rhythm abnormalities. Our method allows for flexibility in incorporating other self-supervised strategies and highlights the potential for similar modality-specific augmentations for other biomedical signals.
• Abstract（参考訳）: 本稿では,12誘導心電図の3次元拡張による視点を生成する,生理学的にインスパイアされたコントラスト学習手法である3KGを提案する。 本研究では,PhyloNet 2020 チャレンジトレーニングデータ上での23クラス診断の下流タスクの線形層を微調整することにより表現品質を評価し,ラベル付きデータの1/%でトレーニングすると,最高の自己教師ベースラインよりも平均 AUC が 9.1 % 上昇することを確認した。 我々の経験的分析は、空間的および時間的増強が最強の表現を生み出すことを示している。 さらに, 生理学にインスパイアされたプレトレーニングがダウンストリームパフォーマンスに及ぼす影響について検討し, 3KGが伝導, リズム異常に最も寄与することが確認された。 本手法は,他の自己管理戦略を取り入れた柔軟性を実現し,他のバイオメディカル信号に対する類似のモダリティ特異的増強の可能性を強調する。

関連論文リスト

• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• DiffECG: A Versatile Probabilistic Diffusion Model for ECG Signals Synthesis [4.6685771141109305]
  本稿では,ECG合成の拡散確率モデルに基づく新しい多元性アプローチを提案する。 本手法は、ECG合成における最初の一般化された条件付きアプローチを示す。 提案手法は、他の最先端のECG生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-02T19:08:31Z)
• Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat Counting and Demographic Data Integration [0.0]
  本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。 具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。 これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
  論文  参考訳（メタデータ） (2022-08-15T09:33:36Z)
• GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for Robust Electrocardiogram Prediction [20.8603653664403]
  本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。 我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。 12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
  論文  参考訳（メタデータ） (2022-08-02T03:14:13Z)
• Analysis of Augmentations for Contrastive ECG Representation Learning [17.467589890017123]
  本稿では,心電図(ECG)信号のコントラスト学習における各種拡張の有効性を系統的に検討する。 PTB-XLは、大規模で公開されている12リードのECGデータセットである。
  論文  参考訳（メタデータ） (2022-05-30T20:41:59Z)
• COVID-Net US-X: Enhanced Deep Neural Network for Detection of COVID-19 Patient Cases from Convex Ultrasound Imaging Through Extended Linear-Convex Ultrasound Augmentation Learning [75.74756992992147]
  世界人口は新型コロナウイルス(COVID-19)のパンデミックの影響で大きな影響を受け続けている。 医療用ポイント・オブ・ケア・超音波(POCUS)画像は、低コストで有効な画像モダリティとして利用されてきている。 POCUSを使用した新型コロナウイルススクリーニングのためのディープニューラルネットワークを構築する上での大きな課題は、使用するプローブの種類だ。
  論文  参考訳（メタデータ） (2022-04-29T02:13:39Z)
• 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)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Interpretable Deep Learning for Automatic Diagnosis of 12-lead Electrocardiogram [15.464768773761527]
  12誘導心電図記録における心不整脈のマルチラベル分類のためのディープニューラルネットワークを開発した。 提案モデルでは、受信機動作特性曲線(AUC)0.970、F1スコア0.813の平均領域を達成した。 最も優れたリードは、12のリードのうち、リードI、aVR、V5である。
  論文  参考訳（メタデータ） (2020-10-20T14:51:00Z)
• CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint Identification and Severity Quantification [45.86448200141968]
  感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。 両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。 我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
  論文  参考訳（メタデータ） (2020-06-02T08:05:06Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。