Fugu-MT 論文翻訳(概要): Lead-agnostic Self-supervised Learning for Local and Global Representations of Electrocardiogram

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

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)
ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
論文参考訳（メタデータ） (2024-07-25T13:27:10Z)
Self-Trained Model for ECG Complex Delineation [0.0]
心電図(ECG)のデライン化は、正確な診断で心臓科医を支援する上で重要な役割を担っている。我々は,ECGデライン化のためのデータセットを導入し,大量のラベルのないECGデータを活用することを目的とした,新たな自己学習手法を提案する。我々のアプローチでは、データセットでトレーニングされたニューラルネットワークを使用してラベルなしデータの擬似ラベル付けを行い、その後、新たにラベル付けされたサンプル上でモデルをトレーニングし、デライン化の品質を高める。
論文参考訳（メタデータ） (2024-06-04T18:54:10Z)
CoReEcho: Continuous Representation Learning for 2D+time Echocardiography Analysis [42.810247034149214]
直接EF回帰に適した連続表現を強調する新しいトレーニングフレームワークであるCoReEchoを提案する。 CoReEcho: 1) 最大の心エコー画像データセット(EchoNet-Dynamic)上で現在最先端のSOTA(State-of-the-art)を、82.44の3.90&R2のMAEで上回り、2) 関連する下流タスクにおいてより効果的に転送する堅牢で一般化可能な機能を提供する。
論文参考訳（メタデータ） (2024-03-15T10:18:06Z)
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)
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。