論文の概要: Development of Interpretable Machine Learning Models to Detect
Arrhythmia based on ECG Data
- arxiv url: http://arxiv.org/abs/2205.02803v1
- Date: Thu, 5 May 2022 17:29:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 16:36:26.707846
- Title: Development of Interpretable Machine Learning Models to Detect
Arrhythmia based on ECG Data
- Title（参考訳）: ECGデータに基づく不整脈検出のための解釈可能な機械学習モデルの開発
- Authors: Shourya Verma
- Abstract要約: この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。
大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。
提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The analysis of electrocardiogram (ECG) signals can be time consuming as it
is performed manually by cardiologists. Therefore, automation through machine
learning (ML) classification is being increasingly proposed which would allow
ML models to learn the features of a heartbeat and detect abnormalities. The
lack of interpretability hinders the application of Deep Learning in
healthcare. Through interpretability of these models, we would understand how a
machine learning algorithm makes its decisions and what patterns are being
followed for classification. This thesis builds Convolutional Neural Network
(CNN) and Long Short-Term Memory (LSTM) classifiers based on state-of-the-art
models and compares their performance and interpretability to shallow
classifiers. Here, both global and local interpretability methods are exploited
to understand the interaction between dependent and independent variables
across the entire dataset and to examine model decisions in each sample,
respectively. Partial Dependence Plots, Shapley Additive Explanations,
Permutation Feature Importance, and Gradient Weighted Class Activation Maps
(Grad-Cam) are the four interpretability techniques implemented on time-series
ML models classifying ECG rhythms. In particular, we exploit Grad-Cam, which is
a local interpretability technique and examine whether its interpretability
varies between correctly and incorrectly classified ECG beats within each
class. Furthermore, the classifiers are evaluated using K-Fold cross-validation
and Leave Groups Out techniques, and we use non-parametric statistical testing
to examine whether differences are significant. It was found that Grad-CAM was
the most effective interpretability technique at explaining predictions of
proposed CNN and LSTM models. We concluded that all high performing classifiers
looked at the QRS complex of the ECG rhythm when making predictions.
- Abstract（参考訳）: 心電図(ECG)信号の解析は、心臓医が手動で行うので時間がかかる。
そのため、機械学習(ML)分類による自動化がますます提案されているため、MLモデルは心拍の特徴を学習し、異常を検出することができる。
解釈可能性の欠如は、ヘルスケアにおけるディープラーニングの適用を妨げる。
これらのモデルの解釈可能性を通じて、機械学習アルゴリズムがどのように決定を行い、どのパターンが分類に追従されているかを理解する。
この論文は、最先端モデルに基づく畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築し、それらの性能と解釈可能性を浅い分類器と比較する。
ここで、グローバルおよびローカルの解釈可能性メソッドは、データセット全体の依存変数と独立変数間の相互作用を理解し、各サンプルにおけるモデル決定を調べるために利用される。
部分依存プロット、共有付加説明、置換特徴重要度、勾配重み付きクラスアクティベーションマップ(Grad-Cam)は、ECGリズムを分類する時系列MLモデルで実装された4つの解釈可能性技術である。
特に,局所的解釈可能性技術であるGrad-Camを利用して,各クラス内のECGビートが正しく,正しく分類されていないかを調べる。
さらに,K-Foldクロスバリデーション法とLeft Groups Out法を用いて分類器の評価を行い,非パラメトリック統計検査を用いて差が有意かどうかを検証した。
その結果,Grad-CAMは提案したCNNモデルとLSTMモデルの予測を説明する上で,最も効果的な解釈可能性手法であることが判明した。
予測を行う際,すべての高パフォーマンス分類器は心電図リズムのqrs複合体に注目した。
関連論文リスト
- Selecting Interpretability Techniques for Healthcare Machine Learning models [69.65384453064829]
医療では、いくつかの意思決定シナリオにおいて、医療専門家を支援するために解釈可能なアルゴリズムを採用することが追求されている。
本稿では, ポストホックとモデルベースという8つのアルゴリズムを概説する。
論文 参考訳（メタデータ） (2024-06-14T17:49:04Z) - An Evaluation of Machine Learning Approaches for Early Diagnosis of
Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。
本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文 参考訳（メタデータ） (2023-09-20T21:23:37Z) - Classification and Self-Supervised Regression of Arrhythmic ECG Signals
Using Convolutional Neural Networks [13.025714736073489]
回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。
我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
論文 参考訳（メタデータ） (2022-10-25T18:11:13Z) - RandomSCM: interpretable ensembles of sparse classifiers tailored for
omics data [59.4141628321618]
決定規則の結合や解離に基づくアンサンブル学習アルゴリズムを提案する。
モデルの解釈可能性により、高次元データのバイオマーカー発見やパターン発見に有用である。
論文 参考訳（メタデータ） (2022-08-11T13:55:04Z) - Improving ECG Classification Interpretability using Saliency Maps [0.0]
我々は,MIT-BIH不整脈データセットにおいて,各クラスにまたがるモデル決定を可視化する手法を提案する。
本稿では,一般化可能性やモデル性能に影響を及ぼす可能性のある問題を見つけるために,これらのマップをどのように利用できるかを強調した。
論文 参考訳（メタデータ） (2022-01-10T16:12:25Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z) - Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。
まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。
第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文 参考訳（メタデータ） (2021-08-29T05:45:03Z) - Designing ECG Monitoring Healthcare System with Federated Transfer
Learning and Explainable AI [4.694126527114577]
我々は、ECGベースの医療アプリケーションのための連合環境で、新しい説明可能な人工知能(XAI)ベースのディープラーニングフレームワークを設計する。
提案したフレームワークは、MIT-BIH Arrhythmiaデータベースを使用してトレーニングされ、テストされた。
論文 参考訳（メタデータ） (2021-05-26T11:59:44Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳（メタデータ） (2020-10-23T11:18:20Z) - Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。
量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。
基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文 参考訳（メタデータ） (2020-09-11T16:35:53Z) - Data Efficient and Weakly Supervised Computational Pathology on Whole
Slide Images [4.001273534300757]
計算病理学は、客観的診断、治療反応予測、臨床関連性の新たな形態学的特徴の同定を可能にする可能性がある。
ディープラーニングベースの計算病理学アプローチでは、完全に教師された設定でギガピクセル全体のスライド画像(WSI)のマニュアルアノテーションを必要とするか、弱い教師付き設定でスライドレベルのラベルを持つ何千ものWSIを必要とする。
ここでは、クラスタリングに制約のある複数のインスタンス学習について紹介する。
論文 参考訳（メタデータ） (2020-04-20T23:00:13Z)
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。