論文の概要: Weak Supervision for Affordable Modeling of Electrocardiogram Data

• arxiv url: http://arxiv.org/abs/2201.02936v1
• Date: Sun, 9 Jan 2022 06:08:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 03:52:53.600483
• Title: Weak Supervision for Affordable Modeling of Electrocardiogram Data
• Title（参考訳）: 心電図データの高次モデリングのための弱スーパービジョン
• Authors: Mononito Goswami, Benedikt Boecking and Artur Dubrawski
• Abstract要約: 心電図(ECGs)の分析は、安価で非侵襲的で強力な心臓疾患の診断方法である。 これまでの異常心拍を自動的に検出するために機械学習を使用したECGの研究は、大規模な手動注釈付きデータセットに依存している。 我々は、人体設計による異常心拍の診断モデルを学ぶために、複数の弱い監督源を用いて検討する。
• 参考スコア（独自算出の注目度）: 20.646500951182247
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Analysing electrocardiograms (ECGs) is an inexpensive and non-invasive, yet powerful way to diagnose heart disease. ECG studies using Machine Learning to automatically detect abnormal heartbeats so far depend on large, manually annotated datasets. While collecting vast amounts of unlabeled data can be straightforward, the point-by-point annotation of abnormal heartbeats is tedious and expensive. We explore the use of multiple weak supervision sources to learn diagnostic models of abnormal heartbeats via human designed heuristics, without using ground truth labels on individual data points. Our work is among the first to define weak supervision sources directly on time series data. Results show that with as few as six intuitive time series heuristics, we are able to infer high quality probabilistic label estimates for over 100,000 heartbeats with little human effort, and use the estimated labels to train competitive classifiers evaluated on held out test data.
• Abstract（参考訳）: 心電図(ecgs)の分析は安価で非侵襲的で強力な心臓疾患の診断方法である。 ecgは、これまで異常な心拍を自動検出するために機械学習を使用して研究してきた。 大量のラベルのないデータを収集するのは簡単ですが、異常な心拍のポイントバイポイントアノテーションは面倒で高価です。 我々は、複数の弱い監督源を用いて、人間の設計したヒューリスティックスを通して、個々のデータポイントの真理ラベルを使わずに、異常な心拍の診断モデルを学ぶ。 我々の研究は、時系列データから直接弱い監督源を定義する最初のものである。 その結果,6つの直感的時系列ヒューリスティックスを用いて,10万以上の心拍数に対する高品質な確率的ラベル推定を人的努力の少ない状態で推定し,評価されたラベルを用いて,有意なテストデータに基づいて評価された競合分類器の訓練を行うことができた。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection [7.574088346030774]
  本稿では, 心電図における異常信号の検出に, 正規信号のラベルのみをトレーニングデータとして用いた。 イメージをパッチに分割して学習し,自動エンコーダをマスクする自己教師型視覚変換器にヒントを得て,脳波異常検出モデルEB-GAMEを導入する。
  論文  参考訳（メタデータ） (2024-04-08T13:01:59Z)
• 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)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Analysis of ECG data to detect Atrial Fibrillation [0.0]
  心房細動(英: atrial fibrillation, AF/Afib thenforth)は、心臓のクロートに繋がる、離散的かつ頻繁な心臓リズムである。 図1に示すように、p と R 波間の不整合区間が存在しないことにより、ECG 信号で Afib を検出することができる。
  論文  参考訳（メタデータ） (2021-12-23T01:10:25Z)
• 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)
• ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks [9.410102957429705]
  本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。 我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。 実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-18T14:55:46Z)
• Electrocardiogram Classification and Visual Diagnosis of Atrial Fibrillation with DenseECG [4.106327101916643]
  心房細動(AF)は、世界中の多くの人々に影響を与える一般的な心臓不整脈です。 DenseECGは5層1D密結合畳み込みニューラルネットワークに基づくエンドツーエンドモデルである。
  論文  参考訳（メタデータ） (2021-01-19T09:45:46Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。