Fugu-MT 論文翻訳(概要): Intra-Inter Subject Self-supervised Learning for Multivariate Cardiac Signals

論文の概要: Intra-Inter Subject Self-supervised Learning for Multivariate Cardiac Signals

arxiv url: http://arxiv.org/abs/2109.08908v1
Date: Sat, 18 Sep 2021 11:37:10 GMT
ステータス: 処理完了
システム内更新日: 2021-09-21 16:45:31.671781
Title: Intra-Inter Subject Self-supervised Learning for Multivariate Cardiac Signals
Title（参考訳）: 多変量心信号の自己教師あり学習
Authors: Xiang Lan, Dianwen Ng, Shenda Hong, Mengling Feng
Abstract要約: 多変量心信号用にカスタマイズしたISLモデルを提案する。提案するISLモデルは,医学知識を自己スーパービジョンに統合し,内科間の違いから効果的に学習する。半教師付き移行学習のシナリオでは、事前訓練されたISLモデルは、1%のラベル付きデータしか利用できない場合、教師付きトレーニングよりも約10%改善する。
参考スコア（独自算出の注目度）: 5.344233761474541
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning information-rich and generalizable representations effectively from unlabeled multivariate cardiac signals to identify abnormal heart rhythms (cardiac arrhythmias) is valuable in real-world clinical settings but often challenging due to its complex temporal dynamics. Cardiac arrhythmias can vary significantly in temporal patterns even for the same patient ($i.e.$, intra subject difference). Meanwhile, the same type of cardiac arrhythmia can show different temporal patterns among different patients due to different cardiac structures ($i.e.$, inter subject difference). In this paper, we address the challenges by proposing an Intra-inter Subject self-supervised Learning (ISL) model that is customized for multivariate cardiac signals. Our proposed ISL model integrates medical knowledge into self-supervision to effectively learn from intra-inter subject differences. In intra subject self-supervision, ISL model first extracts heartbeat-level features from each subject using a channel-wise attentional CNN-RNN encoder. Then a stationarity test module is employed to capture the temporal dependencies between heartbeats. In inter subject self-supervision, we design a set of data augmentations according to the clinical characteristics of cardiac signals and perform contrastive learning among subjects to learn distinctive representations for various types of patients. Extensive experiments on three real-world datasets were conducted. In a semi-supervised transfer learning scenario, our pre-trained ISL model leads about 10% improvement over supervised training when only 1% labeled data is available, suggesting strong generalizability and robustness of the model.
Abstract（参考訳）: 心不整脈 (cardiac arrhythmias) を同定するためにラベルのない多変量心信号から効果的に情報豊かで一般化可能な表現を学習することは、実際の臨床環境では有用であるが、複雑な時間的ダイナミクスのためにしばしば困難である。心臓不整脈は、同じ患者であっても、時間パターンによって大きく変化する(すなわち、被験者内差)。一方、同じタイプの心不整脈は、異なる心構造(すなわち、対象間差)により、異なる患者間で異なる時間パターンを示すことができる。本稿では,多変量心信号用にカスタマイズされた自己教師付き学習モデルであるinter-inter subject self-supervised learning(isl)を提案する。提案するISLモデルは,医学知識を自己スーパービジョンに統合し,内科間の違いから効果的に学習する。被写体内自己スーパービジョンにおいて、islモデルはまずチャネルワイズ注意型cnn-rnnエンコーダを用いて各被写体から心拍レベルの特徴を抽出する。次に定常性テストモジュールを使用して、心拍間の時間的依存関係をキャプチャする。被検者間自己監督では,心臓信号の臨床的特徴に応じてデータ拡張のセットを設計し,患者間でコントラスト学習を行い,様々な種類の患者に特徴的な表現を学習する。 3つの実世界のデータセットに関する広範な実験が行われた。半教師あり移行学習のシナリオでは、事前訓練されたISLモデルは、1%のラベル付きデータが利用できる場合、教師付きトレーニングよりも約10%改善され、モデルの強い一般化性と堅牢性を示す。

関連論文リスト

CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文参考訳（メタデータ） (2024-11-01T15:54:07Z)
Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
Adversarial Contrastive Learning Based Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
逆相関学習を用いた物理インフォームド・テンポラル・ネットワーク(PITN)を導入し,非常に限られたデータで正確なBP推定を実現する。次に, 対人訓練を駆使して生理的時系列データを生成し, スパースデータに面したPITNの堅牢性を向上させる。
論文参考訳（メタデータ） (2024-08-16T02:17:21Z)
Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文参考訳（メタデータ） (2023-01-21T15:00:59Z)
Multimodality Multi-Lead ECG Arrhythmia Classification using Self-Supervised Learning [5.675787521359948]
SSLベースのマルチモーダリティECG分類を提案する。提案するネットワークはSSL学習パラダイムに従っており,前ストリームタスクと下流タスクに対応する2つのモジュールで構成されている。提案手法の有効性を評価するため,12リードのPhystoNet 2020データセット上で10倍のクロス検証を行った。
論文参考訳（メタデータ） (2022-09-30T18:45:34Z)
Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文参考訳（メタデータ） (2022-07-23T19:17:26Z)
Development of Interpretable Machine Learning Models to Detect Arrhythmia based on ECG Data [0.0]
この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
論文参考訳（メタデータ） (2022-05-05T17:29:33Z)
Deep Learning Analysis of Cardiac MRI in Legacy Datasets: Multi-Ethnic Study of Atherosclerosis [0.4585572408645652]
多発性動脈硬化症 (MESA) は, 血管内MRIを5000名以上の被験者に取り入れた最初の大規模コホート研究であり, 20年以上にわたる追跡データも豊富である。本稿では,MESA の旧来の心臓MRIデータに応用した深層学習手法を用いた自動アトラス構築パイプラインについて述べる。
論文参考訳（メタデータ） (2021-10-28T14:18:21Z)
A Visual Domain Transfer Learning Approach for Heartbeat Sound Classification [0.0]
心臓病は人間の死亡の最も一般的な理由であり、世界中で約3分の1が死亡している。疾患の早期発見は患者の生存率を高め、心臓病の徴候を早期に検出する方法がいくつかある。本研究は、クリーン化および正規化された心音を視覚メルスケールスペクトログラムに変換し、視覚領域変換学習手法を用いて、心音の特徴を自動的に抽出し分類することを提案する。
論文参考訳（メタデータ） (2021-07-28T09:41:38Z)
A Study of Domain Generalization on Ultrasound-based Multi-Class Segmentation of Arteries, Veins, Ligaments, and Nerves Using Transfer Learning [12.869637050331306]
モデル内の複数の連続ブロックを微調整することで,複数クラスの米国版セグメンテーションを伝達学習により検討する。本研究では,未知のデータセットの一般化を予測し,微調整法間の統計的に有意な差を観測する簡単な手法を提案する。
論文参考訳（メタデータ） (2020-11-13T16:59:20Z)
Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study [43.26668942258135]
脳MRIにおけるunsupervised Anomaly Detection(UAD)の新しいアプローチこれらの研究の主な原理は、正常なデータの圧縮と回復を学ぶことによって、正常な解剖学のモデルを学ぶことである。概念は,医療画像分析のコミュニティにとって大きな関心事である。i) 膨大な量の手作業によるトレーニングデータの必要性から解放される。
論文参考訳（メタデータ） (2020-04-07T11:12:07Z)

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。