論文の概要: Generative Pre-Trained Transformer for Cardiac Abnormality Detection

• arxiv url: http://arxiv.org/abs/2110.04071v1
• Date: Thu, 7 Oct 2021 12:01:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 09:25:05.566441
• Title: Generative Pre-Trained Transformer for Cardiac Abnormality Detection
• Title（参考訳）: 心臓異常検出のための生成前訓練トランス
• Authors: Pierre Louis Gaudilliere, Halla Sigurthorsdottir, Cl\'ementine Aguet, J\'er\^ome Van Zaen, Mathieu Lemay, Ricard Delgado-Gonzalo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: ECG heartbeat classification plays a vital role in diagnosis of cardiac arrhythmia. The goal of the Physionet/CinC 2021 challenge was to accurately classify clinical diagnosis based on 12, 6, 4, 3 or 2-lead ECG recordings in order to aid doctors in the diagnoses of different heart conditions. Transformers have had great success in the field of natural language processing in the past years. Our team, CinCSEM, proposes to draw the parallel between text and periodic time series signals by viewing the repeated period as words and the whole signal as a sequence of such words. In this way, the attention mechanisms of the transformers can be applied to periodic time series signals. In our implementation, we follow the Transformer Encoder architecture, which combines several encoder layers followed by a dense layer with linear or sigmoid activation for generative pre-training or classification, respectively. The use case presented here is multi-label classification of heartbeat abnormalities of ECG recordings shared by the challenge. Our best entry, not exceeding the challenge's hardware limitations, achieved a score of 0.12, 0.07, 0.10, 0.10 and 0.07 on 12-lead, 6-lead, 4-lead, 3-lead and 2-lead test set respectively. Unfortunately, our team was unable to be ranked because of a missing pre-print.
• Abstract（参考訳）: 心不整脈の診断には心電図の心拍分類が重要である。 Physionet/CinC 2021の課題は,12,6,4,3,2誘導心電図記録に基づいて臨床診断を正確に分類し,心臓疾患の診断に役立てることであった。 過去数年間、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。 cincsemでは,反復周期を単語として,信号全体をそれらの単語の列として見ることにより,テキストと周期時系列信号の平行線を描くことを提案する。 これにより、周期的時系列信号に変換器の注意機構を適用することができる。 実装では,複数のエンコーダ層と高密度層を組み合わせたTransformer Encoderアーキテクチャを,それぞれに線形あるいはシグモイドのアクティベーションを付加して生成前トレーニングや分類を行う。 本研究のユースケースは,心電図記録における心拍異常のマルチラベル分類である。 ベストエントリーは、ハードウェアの限界を超えず、それぞれ12リード、6リード、4リード、3リード、および2リードのテストセットで0.12、0.07、0.10、0.10、0.07を達成しました。 残念ながら、私たちのチームはプレプリントの欠如のためにランク付けできなかったのです。

関連論文リスト

• 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)
• MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• ECGformer: Leveraging transformer for ECG heartbeat arrhythmia classification [0.0]
  不整脈または不整脈とも呼ばれる不整脈は不整脈を指す。 深層学習は、様々な医学的課題に取り組む際、例外的な能力を示した。 我々は心電図データに現れる様々な不整脈の分類のためのECGformerモデルを開発した。
  論文  参考訳（メタデータ） (2024-01-06T06:14:48Z)
• Deep Learning Models for Arrhythmia Classification Using Stacked Time-frequency Scalogram Images from ECG Signals [4.659427498118277]
  本稿では,心電図に基づく不整脈分類のためのAI自動分類システムを提案する。 深層学習に基づく解法は心電図に基づく不整脈分類のために提案されている。
  論文  参考訳（メタデータ） (2023-12-01T03:16:32Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• Blind ECG Restoration by Operational Cycle-GANs [15.264145425539128]
  心電図信号の持続的長期モニタリングは不整脈などの心疾患の早期発見に不可欠である。 非クリニカルECG記録は、ベースライン、信号カット、モーションアーティファクト、QRS振幅の変動、ノイズ、その他の干渉といった深刻なアーティファクトに悩まされることが多い。 サイクル整合型生成対向ネットワーク(Cycle-GAN)を用いた盲検心電図復元のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-01-29T19:47:17Z)
• 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)
• Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
  本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。 第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。 第2段階は、心拍を幅または幅に分類する分類NNである。 第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
  論文  参考訳（メタデータ） (2020-11-17T16:15:49Z)
• 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)
• Classification of Arrhythmia by Using Deep Learning with 2-D ECG Spectral Image Representation [3.3426603061273994]
  本稿では,ECG信号を8つのクラスに分類するための2次元(2次元)畳み込みニューラルネットワーク(CNN)モデルを提案する。 我々は,最新の平均分類精度99.11%を達成し,同種の不整脈の分類において,最近報告した結果より優れている。
  論文  参考訳（メタデータ） (2020-05-14T12:11:41Z)

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。