論文の概要: ECG beat classification using machine learning and pre-trained convolutional neural networks

• arxiv url: http://arxiv.org/abs/2207.06408v1
• Date: Tue, 14 Jun 2022 17:23:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-17 21:42:10.000787
• Title: ECG beat classification using machine learning and pre-trained convolutional neural networks
• Title（参考訳）: 機械学習と事前学習畳み込みニューラルネットワークを用いた心電図ビート分類
• Authors: Neville D. Gai
• Abstract要約: この研究は、AAMI EC57標準に基づいて、5種類のECG不整脈を分類した。 テストセットのパフォーマンスは、全体的な精度(98.62%)が向上し、5つの波形のそれぞれを分類する性能も向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The electrocardiogram (ECG) is routinely used in hospitals to analyze cardiovascular status and health of an individual. Abnormal heart rhythms can be a precursor to more serious conditions including sudden cardiac death. Classifying abnormal rhythms is a laborious process prone to error. Therefore, tools that perform automated classification with high accuracy are highly desirable. The work presented classifies five different types of ECG arrhythmia based on AAMI EC57 standard and using the MIT-BIH data set. These include non-ectopic (normal), supraventricular, ventricular, fusion, and unknown beat. By appropriately transforming pre-processed ECG waveforms into a rich feature space along with appropriate post-processing and utilizing deep convolutional neural networks post fine-tuning and hyperparameter selection, it is shown that highly accurate classification for the five waveform types can be obtained. Performance on the test set indicated higher overall accuracy (98.62%), as well as better performance in classifying each of the five waveforms than hitherto reported in literature.
• Abstract（参考訳）: 心電図(ECG)は、患者の心血管状態と健康を分析するために病院で日常的に使用される。 異常な心臓リズムは、突然の心臓死を含むより深刻な状態の前兆となる。 異常なリズムの分類は、エラーを起こしやすいプロセスである。 したがって、精度の高い自動分類を行うツールは、非常に望ましい。 この研究は、AAMI EC57標準に基づいて5種類のECG不整脈を分類し、MIT-BIHデータセットを使用する。 これらは非異所性(正常)、上室、心室、融合、未知のビートを含む。 事前処理されたECG波形を適切な後処理と共にリッチな特徴空間に適切に変換し、微調整後の深部畳み込みニューラルネットワークを利用して5種類の波形を高精度に分類できることが示されている。 テストセットの性能は全体の精度が98.62%高く、文献で報告されたヒッヘルトよりも5つの波形のそれぞれを分類する性能が優れていた。

関連論文リスト

• ECGformer: Leveraging transformer for ECG heartbeat arrhythmia classification [0.0]
  不整脈または不整脈とも呼ばれる不整脈は不整脈を指す。 深層学習は、様々な医学的課題に取り組む際、例外的な能力を示した。 我々は心電図データに現れる様々な不整脈の分類のためのECGformerモデルを開発した。
  論文  参考訳（メタデータ） (2024-01-06T06:14:48Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• 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)
• 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)
• Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
  コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。 我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。 提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
  論文  参考訳（メタデータ） (2022-04-07T22:49:18Z)
• Optimal Transport based Data Augmentation for Heart Disease Diagnosis and Prediction [16.7288675686184]
  本稿では、不均衡なECGデータセット内のデータ不均衡問題を解決するために、新しいデータ拡張法を提案する。 最適輸送を用いて、正常心電図のビートから心電図の疾患データを増強し、異なるカテゴリ間でデータのバランスをとる。 その結果,1) 分類モデルが5つのECGカテゴリで競合予測を行う能力,2) データ拡張手法の有効性を反映した精度と堅牢性の向上が示された。
  論文  参考訳（メタデータ） (2022-01-25T03:49:28Z)
• 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)
• 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。