論文の概要: A Multi-View Learning Approach to Enhance Automatic 12-Lead ECG
Diagnosis Performance
- arxiv url: http://arxiv.org/abs/2208.00323v1
- Date: Sat, 30 Jul 2022 23:43:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 13:18:07.537513
- Title: A Multi-View Learning Approach to Enhance Automatic 12-Lead ECG
Diagnosis Performance
- Title(参考訳): 自動12誘導心電図診断性能向上のための多視点学習手法
- Authors: Jae-Won Choi, Dae-Yong Hong, Chan Jung, Eugene Hwang, Sung-Hyuk Park,
and Seung-Young Roh
- Abstract要約: 本研究は,従来の12誘導心電図診断法よりも高い性能を実現するために,ECG拡張技術を用いたアンサンブルに基づく多視点学習手法を提案する。
提案モデルでは,F1スコアが0.840であり,文献における既存の最先端手法よりも優れていた。
- 参考スコア(独自算出の注目度): 0.240137930000971
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performances of commonly used electrocardiogram (ECG) diagnosis models
have recently improved with the introduction of deep learning (DL). However,
the impact of various combinations of multiple DL components and/or the role of
data augmentation techniques on the diagnosis have not been sufficiently
investigated. This study proposes an ensemble-based multi-view learning
approach with an ECG augmentation technique to achieve a higher performance
than traditional automatic 12-lead ECG diagnosis methods. The data analysis
results show that the proposed model reports an F1 score of 0.840, which
outperforms existing state-ofthe-art methods in the literature.
- Abstract(参考訳): 近年,Deep Learning (DL) の導入により心電図(ECG)診断モデルの性能が向上した。
しかし,複数のDL成分の組み合わせおよび/またはデータ拡張技術が診断に与える影響は十分に研究されていない。
本研究は,従来の12誘導心電図診断法よりも高い性能を実現するために,ECG拡張技術を用いたアンサンブルに基づく多視点学習手法を提案する。
データ分析の結果,提案モデルではF1スコアが0.840であり,文献における既存の最先端手法よりも優れていた。
関連論文リスト
- Cardiac and extracardiac discharge diagnosis prediction from emergency
department ECGs using deep learning [1.068128849363198]
救急部で収集した心電図に基づいて, 心臓および非心臓の退院診断の多様な範囲を予測できる単一モデルの有用性を示す。
我々は,このモデルをスクリーニングツールとして活用し,総合的な臨床診断支援システムに統合する可能性を強調した。
論文 参考訳(メタデータ) (2023-12-18T09:29:42Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳(メタデータ) (2023-06-01T16:23:47Z) - ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on
Continual Learning [20.465733855762835]
心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。
古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。
本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
論文 参考訳(メタデータ) (2023-04-10T15:19:00Z) - A Dual-scale Lead-seperated Transformer With Lead-orthogonal Attention
And Meta-information For Ecg Classification [26.07181634056045]
本研究は、鉛直交注意とメタ情報(DLTM-ECG)を併用したデュアルスケールリード分離変圧器を提案する。
ECGセグメントは独立パッチとして解釈され、縮小次元信号と共に二重スケールの表現を形成する。
我々の研究は、同様の多チャンネル生体電気信号処理や生理的多モードタスクの可能性を秘めている。
論文 参考訳(メタデータ) (2022-11-23T08:45:34Z) - IMLE-Net: An Interpretable Multi-level Multi-channel Model for ECG
Classification [0.9449650062296824]
臨床環境では、心臓科医が標準12チャンネル心電図記録に基づいて診断を行う。
本稿では,標準ECG記録で利用可能なマルチチャネル情報を活用し,ビート,リズム,チャネルレベルのパターンを学習するモデルを提案する。
実験結果から,マクロ平均ROC-AUCスコアは0.9216,平均精度は88.85%,最大F1スコアは0.8057であった。
論文 参考訳(メタデータ) (2022-04-06T16:29:10Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳(メタデータ) (2022-03-12T15:24:03Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - 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) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。