論文の概要: Lead-agnostic Self-supervised Learning for Local and Global
Representations of Electrocardiogram
- arxiv url: http://arxiv.org/abs/2203.06889v1
- Date: Mon, 14 Mar 2022 07:10:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 17:12:53.507030
- Title: Lead-agnostic Self-supervised Learning for Local and Global
Representations of Electrocardiogram
- Title(参考訳): 心電図の局所的および大域的表現のための鉛非依存自己教師付き学習
- Authors: Jungwoo Oh, Hyunseung Chung, Joon-myoung Kwon, Dong-gyun Hong and
Edward Choi
- Abstract要約: 本稿では,局所的およびグローバルな文脈表現を学習し,下流タスクの一般化性と性能を向上させるためのECG事前学習手法を提案する。
心臓不整脈分類と患者同定の2つの下流課題に対する実験結果から,提案手法が他の最先端手法よりも優れていることが示された。
- 参考スコア(独自算出の注目度): 6.497259394685037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, self-supervised learning methods have shown significant
improvement for pre-training with unlabeled data and have proven helpful for
electrocardiogram signals. However, most previous pre-training methods for
electrocardiogram focused on capturing only global contextual representations.
This inhibits the models from learning fruitful representation of
electrocardiogram, which results in poor performance on downstream tasks.
Additionally, they cannot fine-tune the model with an arbitrary set of
electrocardiogram leads unless the models were pre-trained on the same set of
leads. In this work, we propose an ECG pre-training method that learns both
local and global contextual representations for better generalizability and
performance on downstream tasks. In addition, we propose random lead masking as
an ECG-specific augmentation method to make our proposed model robust to an
arbitrary set of leads. Experimental results on two downstream tasks, cardiac
arrhythmia classification and patient identification, show that our proposed
approach outperforms other state-of-the-art methods.
- Abstract(参考訳): 近年, 自己教師あり学習法は, ラベルなしデータによる事前トレーニングに顕著な改善が見られ, 心電図信号に有用であることが証明されている。
しかし、従来の心電図の事前訓練手法は、大域的文脈表現のみを捉えることに重点を置いていた。
これは、下流タスクにおけるパフォーマンスの低下をもたらす、心電図の実りある表現の学習を妨げる。
さらに、モデルが同じリードセットで事前トレーニングされない限り、任意の心電図リードセットでモデルを微調整することはできない。
本研究では,局所的およびグローバルな文脈表現を学習し,下流タスクの一般化性と性能を向上させるecgプリトレーニング手法を提案する。
さらに, ランダムなリードマスキングをECG固有の拡張法として提案し, 任意のリードに対して頑健なモデルを提案する。
心臓不整脈分類と患者同定の2つの下流課題に対する実験結果から,提案手法が他の最先端手法よりも優れていることが示された。
関連論文リスト
- Electrocardiogram Instruction Tuning for Report Generation [42.69952949416674]
心電図(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によるECGレポート生成に対処する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) - Towards Accurate Guided Diffusion Sampling through Symplectic Adjoint
Method [110.9458914721516]
本研究では,2つの段階の勾配誘導を算出したSymphlectic Adjoint Guidance (SAG)を提案する。
SAGは、ガイド画像およびビデオ生成タスクのベースラインと比較して画質の高い画像を生成する。
論文 参考訳(メタデータ) (2023-12-19T10:30:31Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳(メタデータ) (2023-10-24T11:34:15Z) - 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) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - 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) - Machine learning-based detection of cardiovascular disease using ECG
signals: performance vs. complexity [0.0]
本稿では心電図記録から心疾患を分類するための新しいアプローチを提案する。
最初のアプローチは、ECG信号とディープラーニングに基づく画像分類器のPoincare表現を提案する。
1D畳み込みモデル、特に1D ResNetは、CinC 2017とCinC 2020データセットの両方で最高の結果を示している。
論文 参考訳(メタデータ) (2023-03-10T12:47:46Z) - 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) - Supraventricular Tachycardia Detection and Classification Model of ECG
signal Using Machine Learning [0.0]
心電図(ECG)信号の研究は心疾患の診断に不可欠である。
本研究は,雑音のフィルタリングを含む数段階からなる上室性不整脈予測モデルを提案する。
我々は,異なるタイプの上室頻拍を分類できる機械学習に基づく分類モデルを開発した。
論文 参考訳(メタデータ) (2021-12-24T05:48:26Z) - Interpretable Deep Learning for Automatic Diagnosis of 12-lead
Electrocardiogram [15.464768773761527]
12誘導心電図記録における心不整脈のマルチラベル分類のためのディープニューラルネットワークを開発した。
提案モデルでは、受信機動作特性曲線(AUC)0.970、F1スコア0.813の平均領域を達成した。
最も優れたリードは、12のリードのうち、リードI、aVR、V5である。
論文 参考訳(メタデータ) (2020-10-20T14:51:00Z) - 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。