論文の概要: Interpretable ECG classification via a query-based latent space
traversal (qLST)
- arxiv url: http://arxiv.org/abs/2111.07386v1
- Date: Sun, 14 Nov 2021 16:49:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 14:29:23.849327
- Title: Interpretable ECG classification via a query-based latent space
traversal (qLST)
- Title(参考訳): クエリベースの潜在空間トラバーサル(qLST)による解釈可能なECG分類
- Authors: Melle B. Vessies, Sharvaree P. Vadgama, Rutger R. van de Leur, Pieter
A. Doevendans, Rutger J. Hassink, Erik Bekkers, Ren\'e van Es
- Abstract要約: 我々は,任意のECG分類モデルに対して説明を提供する,qLSTと呼ばれる新しい解釈可能性手法を提案する。
qLSTを用いて、大規模な大学病院のデータセットに基づいてトレーニングされた変分オートエンコーダの潜時空間での移動を学ぶニューラルネットワークを訓練する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electrocardiography (ECG) is an effective and non-invasive diagnostic tool
that measures the electrical activity of the heart. Interpretation of ECG
signals to detect various abnormalities is a challenging task that requires
expertise. Recently, the use of deep neural networks for ECG classification to
aid medical practitioners has become popular, but their black box nature
hampers clinical implementation. Several saliency-based interpretability
techniques have been proposed, but they only indicate the location of important
features and not the actual features. We present a novel interpretability
technique called qLST, a query-based latent space traversal technique that is
able to provide explanations for any ECG classification model. With qLST, we
train a neural network that learns to traverse in the latent space of a
variational autoencoder trained on a large university hospital dataset with
over 800,000 ECGs annotated for 28 diseases. We demonstrate through experiments
that we can explain different black box classifiers by generating ECGs through
these traversals.
- Abstract(参考訳): 心電図 (ECG) は、心臓の電気活動を測定する効果的な非侵襲的診断ツールである。
様々な異常を検出するためのECG信号の解釈は、専門知識を必要とする課題である。
近年,心電図分類における深層ニューラルネットワークの利用が普及しているが,そのブラックボックスの性質が臨床効果を阻害している。
いくつかのサリエンシーに基づく解釈技術が提案されているが、それらは実際の特徴ではなく重要な特徴の場所を示すだけである。
我々は,任意のecg分類モデルに対して説明可能なクエリベースの潜在空間トラバーサル手法であるqlstと呼ばれる新しい解釈可能性手法を提案する。
qLSTを用いて、28の疾患に対して80,000以上のECGを注釈付けした大病院のデータセットでトレーニングされた変分オートエンコーダの潜時空間での走行を学習するニューラルネットワークを訓練する。
これらのトラバーサルを通してECGを生成することにより、異なるブラックボックス分類器を説明できることを示す。
関連論文リスト
- ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method
for ECG signal [19.885905393439014]
本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。
この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。
提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
論文 参考訳(メタデータ) (2023-10-01T23:17:55Z) - Masked Transformer for Electrocardiogram Classification [7.229662895786343]
MTECGと呼ばれるECG分類に有用なマスク付きトランスフォーマー法を提案する。
提案したトレーニング戦略では、5.7Mパラメータの軽量モデルが幅広いマスキング比で安定して機能する。
プライベートなECGデータセットとパブリックなECGデータセットの両方の実験により、MTECG-TはECG分類における最近の最先端アルゴリズムよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2023-08-31T09:21:23Z) - ECGBERT: Understanding Hidden Language of ECGs with Self-Supervised
Representation Learning [6.0106590095197605]
ECGBERTは、ECGの基本言語をアンロックする自己教師付き表現学習アプローチである。
我々は,ECGBERTが様々なタスクで最先端の成果を得られる可能性を実証する。
論文 参考訳(メタデータ) (2023-06-10T04:23:08Z) - 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) - A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。
各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文 参考訳(メタデータ) (2022-08-29T05:01:04Z) - Identifying Electrocardiogram Abnormalities Using a
Handcrafted-Rule-Enhanced Neural Network [18.859487271034336]
我々は、深層学習に基づく心電図解析に臨床知識を提供するために、畳み込みニューラルネットワークにいくつかのルールを導入する。
我々の新しいアプローチは、既存の最先端の手法をかなり上回っている。
論文 参考訳(メタデータ) (2022-06-16T04:42:57Z) - 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) - 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) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - 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。