論文の概要: Physics-constrained Deep Learning for Robust Inverse ECG Modeling
- arxiv url: http://arxiv.org/abs/2107.12780v1
- Date: Mon, 26 Jul 2021 01:30:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 14:36:00.056815
- Title: Physics-constrained Deep Learning for Robust Inverse ECG Modeling
- Title(参考訳): ロバスト逆心電図モデリングのための物理制約深層学習
- Authors: Jianxin Xie, Bing Yao
- Abstract要約: 本稿では,高次元逆ECGモデリングのための物理制約付きディープラーニング(P-DL)フレームワークを提案する。
提案手法は,逆心電図モデルと心内電位の時間変化分布の予測に有効である。
- 参考スコア(独自算出の注目度): 0.913755431537592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid developments in advanced sensing and imaging bring about a
data-rich environment, facilitating the effective modeling, monitoring, and
control of complex systems. For example, the body-sensor network captures
multi-channel information pertinent to the electrical activity of the heart
(i.e., electrocardiograms (ECG)), which enables medical scientists to monitor
and detect abnormal cardiac conditions. However, the high-dimensional sensing
data are generally complexly structured and realizing the full data potential
depends to a great extent on advanced analytical and predictive methods. This
paper presents a physics-constrained deep learning (P-DL) framework for
high-dimensional inverse ECG modeling. This method integrates the physical laws
of the complex system with the advanced deep learning infrastructure for
effective prediction of the system dynamics. The proposed P-DL approach is
implemented to solve the inverse ECG model and predict the time-varying
distribution of electric potentials in the heart from the ECG data measured by
the body-surface sensor network. Experimental results show that the proposed
P-DL method significantly outperforms existing methods that are commonly used
in current practice.
- Abstract(参考訳): 高度なセンシングとイメージングの急速な発展は、複雑なシステムの効果的なモデリング、監視、制御を容易にするデータ豊富な環境をもたらす。
例えば、体-センサーネットワークは、心臓の電気活動に関連する多チャンネル情報(心電図(ECG))をキャプチャし、医学者が異常な心臓状態を監視し、検出することができる。
しかし、高次元センシングデータは一般に複雑に構成され、完全なデータポテンシャルを実現するには、高度な分析と予測の方法に大きく依存する。
本稿では,高次元逆心電図モデリングのための物理制約付き深層学習(p-dl)フレームワークを提案する。
本手法は,複雑な系の物理法則と高度な深層学習基盤を統合し,システムのダイナミクスを効果的に予測する。
体表面センサネットワークで測定した心電図データから逆心電図モデルを解き、心電電位の経時的分布を予測するために提案するp-dl法を実装した。
実験の結果, p-dl法は, 現行の手法をはるかに上回っていることがわかった。
関連論文リスト
- The Rlign Algorithm for Enhanced Electrocardiogram Analysis through R-Peak Alignment for Explainable Classification and Clustering [34.88496713576635]
我々は,サポートベクタマシンや主成分分析などの浅層学習技術をECG信号処理に再導入することを目指している。
そこで我々は,ECG信号を完全に構造化されたフォーマットに効果的に再構成する変換を開発し,評価した。
我々のアプローチは、特に限られたトレーニングデータを扱う場合、CNNよりも浅い機械学習手法に顕著な優位性を示す。
論文 参考訳(メタデータ) (2024-07-22T11:34:47Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - Transforming ECG Diagnosis:An In-depth Review of Transformer-based
DeepLearning Models in Cardiovascular Disease Detection [0.0]
本稿では,ECG分類に適用可能なトランスフォーマーアーキテクチャの詳細なレビューを行う。
これらのモデルは、他のモデルが見落としているかもしれないECG信号の複雑な時間的関係を捉えている。
このレビューは、研究者や実践者にとって貴重なリソースであり、ECG解釈におけるこの革新的な応用に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-06-02T03:23:16Z) - ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on
Continual Learning [20.465733855762835]
心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。
古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。
本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
論文 参考訳(メタデータ) (2023-04-10T15:19:00Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳(メタデータ) (2021-11-23T18:57:11Z) - DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。
提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文 参考訳(メタデータ) (2020-05-18T13:13:41Z) - 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) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。