論文の概要: Arrhythmia Classification using CGAN-augmented ECG Signals

• arxiv url: http://arxiv.org/abs/2202.00569v1
• Date: Wed, 26 Jan 2022 17:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-06 08:33:39.975953
• Title: Arrhythmia Classification using CGAN-augmented ECG Signals
• Title（参考訳）: CGAN増強心電図信号を用いた不整脈分類
• Authors: Edmond Adib, Fatemeh Afghah and John J. Prevost
• Abstract要約: GAN(Generative Adrial Networks)は、リアルな合成ECG信号を生成するために使用される。 本研究では,データ拡張が不整脈分類に及ぼす影響について検討した。
• 参考スコア（独自算出の注目度）: 8.819736346681463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the easiest ways to diagnose cardiovascular conditions is Electrocardiogram (ECG) analysis. ECG databases usually have highly imbalanced distributions due to the abundance of Normal ECG and scarcity of abnormal cases which are equally, if not more, important for arrhythmia detection. As such, DL classifiers trained on these datasets usually perform poorly, especially on minor classes. One solution to address the imbalance is to generate realistic synthetic ECG signals mostly using Generative Adversarial Networks (GAN) to augment and the datasets. In this study, we designed an experiment to investigate the impact of data augmentation on arrhythmia classification. Using the MIT-BIH Arrhythmia dataset, we employed two ways for ECG beats generation: (i) an unconditional GAN, i.e., Wasserstein GAN with gradient penalty (WGAN-GP) is trained on each class individually; (ii) a conditional GAN model, i.e., Auxiliary Classifier Wasserstein GAN with gradient penalty (AC-WGAN-GP) is trained on all the available classes to train one single generator. Two scenarios are defined for each case: i) unscreened where all the generated synthetic beats were used directly without any post-processing, and ii) screened where a portion of generated beats are selected based on their Dynamic Time Warping (DTW) distance with a designated template. A ResNet classifier is trained on each of the four augmented datasets and the performance metrics of precision, recall and F1-Score as well as the confusion matrices were compared with the reference case, i.e., when the classifier is trained on the imbalanced original dataset. The results show that in all four cases augmentation achieves impressive improvements in metrics particularly on minor classes (typically from 0 or 0.27 to 0.99). The quality of the generated beats is also evaluated using DTW distance function compared with real data.
• Abstract（参考訳）: 心血管疾患を診断する最も簡単な方法は心電図(ECG)解析である。 ECGデータベースは通常、正常心電図が豊富であり、不整脈の検出にも同様に重要な異常症例が不足しているため、高度に不均衡な分布を持つ。 このように、これらのデータセットでトレーニングされたdl分類器は、通常、特にマイナークラスでは、性能が悪い。 不均衡に対処する1つの解決策は、データセットの強化と拡張のために主にgan(generative adversarial networks)を使用して、現実的な合成ecg信号を生成することである。 本研究では,データ拡張が不整脈分類に与える影響を検討する実験を考案した。 MIT-BIH Arrhythmiaデータセットを使用して、ECGのビート生成に2つの方法を採用した。 (i)無条件GAN、すなわち、勾配ペナルティ(WGAN-GP)を有するWasserstein GANを各クラスで個別に訓練する。 (ii) Auxiliary Classifier Wasserstein GAN with gradient penalty (AC-WGAN-GP) という条件付きGANモデルが利用可能なすべてのクラスで訓練され、1つのジェネレータを訓練する。 それぞれのケースで2つのシナリオを定義します。 一 生成したすべての合成ビートが後処理なしで直接使用された場合 二 指定されたテンプレートにより、生成したビートの一部が、そのダイナミックタイムワーピング(dtw)距離に基づいて選択される画面 ResNet分類器は4つの拡張データセットのそれぞれと精度、リコール、F1スコアのパフォーマンス指標に基づいてトレーニングされ、混乱行列は参照ケース、すなわち、不均衡な元のデータセットでトレーニングされたときに比較された。 この結果から,4つのケースにおいて,特に小クラス(通常0から0.27から0.99まで)における測定値の大幅な改善が達成された。 また、実データと比較してDTW距離関数を用いて、生成されたビートの品質を評価する。

関連論文リスト

• 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)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
  本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。 以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-05T20:28:55Z)
• 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)
• Robustness of convolutional neural networks to physiological ECG noise [0.0]
  心電図(ECG)は、医療において最も普及している診断ツールの一つであり、心血管疾患の診断を支援する。 深層学習法は、心電図信号から障害の徴候を検出する手法として成功し、普及している。 生理的ECGノイズを含む様々な要因に対するこれらの手法の堅牢性には、オープンな疑問がある。 我々は、SPAR(Symmetric Projection Attractor Reconstruction)と頭蓋骨画像変換を適用する前に、ECGデータセットのクリーンでノイズの多いバージョンを生成する。 事前訓練された畳み込みニューラルネットワークは、これらの画像変換を分類するために転送学習を用いて訓練される。
  論文  参考訳（メタデータ） (2021-08-02T08:16:32Z)
• ECG-Adv-GAN: Detecting ECG Adversarial Examples with Conditional Generative Adversarial Networks [4.250203361580781]
  ディープニューラルネットワークは、心電図信号を追跡するための一般的なテクニックとなり、人間の専門家より優れています。 GANアーキテクチャは、敵ECG信号を合成し、既存のトレーニングデータを増やすために近年研究されている。 本稿では,心電図信号を同時に生成し,心的異常を検出するための条件生成広告ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T02:53:14Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
  ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。 我々は,マルチリード信号を2次元行列として扱うことを提案する。 提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
  論文  参考訳（メタデータ） (2020-12-10T08:37:44Z)
• 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)
• 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)

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。