Fugu-MT 論文翻訳(概要): Convolution-Free Waveform Transformers for Multi-Lead ECG Classification

論文の概要: Convolution-Free Waveform Transformers for Multi-Lead ECG Classification

arxiv url: http://arxiv.org/abs/2109.15129v1
Date: Wed, 29 Sep 2021 12:54:15 GMT
ステータス: 処理完了
システム内更新日: 2021-10-02 10:50:38.963517
Title: Convolution-Free Waveform Transformers for Multi-Lead ECG Classification
Title（参考訳）: マルチリードECG分類のための畳み込み自由波形変換器
Authors: Annamalai Natarajan, Gregory Boverman, Yale Chang, Corneliu Antonescu, Jonathan Rubin
Abstract要約: 心電図記録から心電図の異常を検出する波形変換器モデルである2021 PhysioNet/CinC Challenge について紹介する。 6つのデータセットからの約88,000のECG記録を用いて、異なるECGリードサブセットにおけるモデルの性能を比較した。公式ランキングでは、チーム・プリーナは12、6、4、3、2つのリードセットで9位と15位にランクインした。
参考スコア（独自算出の注目度）: 3.4127902848445006
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present our entry to the 2021 PhysioNet/CinC challenge - a waveform transformer model to detect cardiac abnormalities from ECG recordings. We compare the performance of the waveform transformer model on different ECG-lead subsets using approximately 88,000 ECG recordings from six datasets. In the official rankings, team prna ranked between 9 and 15 on 12, 6, 4, 3 and 2-lead sets respectively. Our waveform transformer model achieved an average challenge metric of 0.47 on the held-out test set across all ECG-lead subsets. Our combined performance across all leads placed us at rank 11 out of 39 officially ranking teams.
Abstract（参考訳）: 心電図記録から心電図の異常を検出する波形変換器モデルである2021 PhysioNet/CinC Challengeについて述べる。 6つのデータセットからの約88,000のECG記録を用いて、異なるECGリードサブセットにおける波形変換器モデルの性能を比較した。公式ランキングでは、チームプリーナは12, 6, 4, 3, 2-Ledセットで9位と15位にランクインした。波形トランスフォーマモデルでは,ecg-lead部分集合全体のホールドアウトテストで平均チャレンジメトリック0.47を達成した。全リーダの合計パフォーマンスは、39チーム中11位にランクインしました。

関連論文リスト

Combining Hough Transform and Deep Learning Approaches to Reconstruct ECG Signals From Printouts [2.374912052693646]
この研究は、2024年のGeorge B. Moody PhysioNet Challengeに対する私たちのチームの勝利の貢献を示します。チャレンジには2つの目標があった: 印刷物から心電図信号を再構成し、それらを心臓病に分類する。本モデルでは, CV信号対雑音平均比17.02, 隠しセットにおける公式チャレンジスコア12.15を達成し, 競技における第1位を確保した。
論文参考訳（メタデータ） (2024-10-18T05:36:24Z)
AVATAR submission to the Ego4D AV Transcription Challenge [79.21857972093332]
我々のパイプラインはAVATAR(AV-ASRのアーティファクトエンコーダデコーダモデル)に基づいており、スペクトログラムとRGB画像の早期融合を行う。最終方法は,挑戦テストセットにおいて68.40のWERを達成し,ベースラインを43.7%上回り,挑戦に勝つ。
論文参考訳（メタデータ） (2022-11-18T01:03:30Z)
Analysis of an adaptive lead weighted ResNet for multiclass classification of 12-lead ECGs [1.155818089388109]
12個の心電図から24個の心の異常を分類するために,アンサンブル深部ニューラルネットワークアーキテクチャを記述,解析した。 5倍のクロスバリデーションスコアが0.684, 感度と特異性は0.758, 0.969であった。
論文参考訳（メタデータ） (2021-12-01T15:44:52Z)
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)
Generative Pre-Trained Transformer for Cardiac Abnormality Detection [0.0]
Physionet/CinC 2021の課題は、12, 6, 4, 3, 2-lead ECG記録に基づいて、臨床診断を正確に分類することであった。トランスフォーマーは自然言語処理の分野で大きな成功を収めてきた。
論文参考訳（メタデータ） (2021-10-07T12:01:12Z)
Synthesis of standard 12-lead electrocardiograms using two dimensional generative adversarial network [0.0]
提案モデルは,LVHが98%,LBBBが93%,ACUTMIが79%,正常が59%の合成標準ECG信号を生成することができる。 2D GANを使用して、実際のECGの多様なデータベースを人工的に増強するのに適した、標準の12リードのECGを生成することが可能である。
論文参考訳（メタデータ） (2021-06-02T00:59:04Z)
VATT: Transformers for Multimodal Self-Supervised Learning from Raw Video, Audio and Text [60.97904439526213]
video-audio-text transformer (vatt) は生の信号を入力として取り、様々な下流タスクに役立つほどリッチなマルチモーダル表現を抽出する。マルチモーダルなコントラスト損失を用いて,vattのエンドツーエンドをスクラッチからトレーニングし,映像動作認識,音声イベント分類,画像分類,テキストからビデオへの検索といった下流タスクによってその性能を評価する。
論文参考訳（メタデータ） (2021-04-22T17:07:41Z)
TransGAN: Two Transformers Can Make One Strong GAN [111.07699201175919]
我々は、純粋なトランスフォーマーベースのアーキテクチャのみを用いて、完全に畳み込みのないGANテキストを構築できる最初のパイロット研究を行う。バニラGANアーキテクチャはtextbfTransGANと呼ばれ、メモリフレンドリーなトランスフォーマーベースのジェネレータで構成されています。当社の最高のアーキテクチャは、コンボリューションバックボーンに基づく最新のGANと比較して非常に競争力のあるパフォーマンスを実現します。
論文参考訳（メタデータ） (2021-02-14T05:24:48Z)
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)
End-to-End Multi-speaker Speech Recognition with Transformer [88.22355110349933]
音声認識モデルにおけるRNNベースのエンコーダデコーダをトランスフォーマーアーキテクチャに置き換える。また、計算量を削減するために、シーケンス全体ではなくセグメントに制限されるセルフアテンションコンポーネントを変更します。
論文参考訳（メタデータ） (2020-02-10T16:29:26Z)

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。