論文の概要: Snippet Policy Network for Multi-class Varied-length ECG Early
Classification
- arxiv url: http://arxiv.org/abs/2107.13361v1
- Date: Wed, 28 Jul 2021 13:47:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 13:48:54.593633
- Title: Snippet Policy Network for Multi-class Varied-length ECG Early
Classification
- Title（参考訳）: マルチクラス可変ECG早期分類のためのスニペットポリシーネットワーク
- Authors: Yu Huang, Gary G. Yen and Vincent S. Tseng
- Abstract要約: 心疾患の予防と診断には心電図による不整脈検出が重要である。
そこで我々は,Snippet Policy Network (SPN) と呼ばれる深層強化学習に基づくフレームワークを提案し,Snippet Policy Network (SPN) の4つのモジュール,スニペットジェネレータ,バックボーンネットワーク,制御エージェント,識別器からなる。
実験の結果,SPNは精度の点で80%以上の優れた性能を示した。
- 参考スコア（独自算出の注目度）: 8.36820636096359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Arrhythmia detection from ECG is an important research subject in the
prevention and diagnosis of cardiovascular diseases. The prevailing studies
formulate arrhythmia detection from ECG as a time series classification
problem. Meanwhile, early detection of arrhythmia presents a real-world demand
for early prevention and diagnosis. In this paper, we address a problem of
cardiovascular disease early classification, which is a varied-length and
long-length time series early classification problem as well. For solving this
problem, we propose a deep reinforcement learning-based framework, namely
Snippet Policy Network (SPN), consisting of four modules, snippet generator,
backbone network, controlling agent, and discriminator. Comparing to the
existing approaches, the proposed framework features flexible input length,
solves the dual-optimization solution of the earliness and accuracy goals.
Experimental results demonstrate that SPN achieves an excellent performance of
over 80\% in terms of accuracy. Compared to the state-of-the-art methods, at
least 7% improvement on different metrics, including the precision, recall,
F1-score, and harmonic mean, is delivered by the proposed SPN. To the best of
our knowledge, this is the first work focusing on solving the cardiovascular
early classification problem based on varied-length ECG data. Based on these
excellent features from SPN, it offers a good exemplification for addressing
all kinds of varied-length time series early classification problems.
- Abstract（参考訳）: 心疾患の予防と診断には心電図による不整脈検出が重要である。
時系列分類問題として,心電図からの不整脈検出を定式化した。
一方,不整脈の早期発見は早期の予防と診断に現実的な需要をもたらす。
本稿では,心血管疾患早期分類の問題についても考察する。
この問題を解決するために,我々は,スニペット生成器,バックボーンネットワーク,制御エージェント,判別器の4つのモジュールからなるスニペットポリシネットワーク(spn)という,深い強化学習に基づくフレームワークを提案する。
既存の手法と比較して、提案手法は柔軟な入力長を特徴とし、耳線と精度目標の双対最適化解を解く。
実験の結果、spnは精度で80\%以上の優れた性能を達成していることがわかった。
最先端の手法と比較して、精度、リコール、F1スコア、ハーモニック平均など、少なくとも7%の改善が提案されたSPNによって行われる。
本研究は,心血管系早期分類の問題点を,心電図データから解決することに焦点を当てた最初の研究である。
SPNのこれらの優れた特徴に基づき、様々な長さの時系列の早期分類問題に対処するための優れた例を提供している。
関連論文リスト
- Advanced Neural Network Architecture for Enhanced Multi-Lead ECG Arrhythmia Detection through Optimized Feature Extraction [0.0]
不規則な心臓リズムを特徴とする不整脈は、深刻な診断課題を呈する。
本研究では,不整脈分類の複雑さに対処するために,ディープラーニング技術を活用した革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-13T19:56:15Z) - Machine learning-based detection of cardiovascular disease using ECG
signals: performance vs. complexity [0.0]
本稿では心電図記録から心疾患を分類するための新しいアプローチを提案する。
最初のアプローチは、ECG信号とディープラーニングに基づく画像分類器のPoincare表現を提案する。
1D畳み込みモデル、特に1D ResNetは、CinC 2017とCinC 2020データセットの両方で最高の結果を示している。
論文 参考訳（メタデータ） (2023-03-10T12:47:46Z) - Two-stream Network for ECG Signal Classification [3.222802562733787]
本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。
本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。
MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
論文 参考訳（メタデータ） (2022-10-05T08:14:51Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳（メタデータ） (2022-03-12T15:24:03Z) - 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) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳（メタデータ） (2021-06-03T14:09:04Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - The Effect of Data Augmentation on Classification of Atrial Fibrillation
in Short Single-Lead ECG Signals Using Deep Neural Networks [12.39263432933148]
クラス不均衡問題に対するオーバーサンプリングなど,様々なデータ拡張アルゴリズムの影響について検討する。
その結果, 深層学習に基づくAF信号分類手法は, オーバーサンプリングよりも, GANとGMMを用いたデータ拡張の恩恵が大きいことがわかった。
論文 参考訳（メタデータ） (2020-02-07T16:08:19Z)
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。