論文の概要: Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat
Counting and Demographic Data Integration
- arxiv url: http://arxiv.org/abs/2208.07088v1
- Date: Mon, 15 Aug 2022 09:33:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 14:02:31.869630
- Title: Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat
Counting and Demographic Data Integration
- Title(参考訳): 心拍計と復号データ統合によるディープラーニングに基づく3段階心電図分類の強化
- Authors: Khiem H. Le, Hieu H. Pham, Thao B.T. Nguyen, Tu A. Nguyen, Cuong D. Do
- Abstract要約: 本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。
具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。
これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, an increasing number of people are being diagnosed with
cardiovascular diseases (CVDs), the leading cause of death globally. The gold
standard for identifying these heart problems is via electrocardiogram (ECG).
The standard 12-lead ECG is widely used in clinical practice and the majority
of current research. However, using a lower number of leads can make ECG more
pervasive as it can be integrated with portable or wearable devices. This
article introduces two novel techniques to improve the performance of the
current deep learning system for 3-lead ECG classification, making it
comparable with models that are trained using standard 12-lead ECG.
Specifically, we propose a multi-task learning scheme in the form of the number
of heartbeats regression and an effective mechanism to integrate patient
demographic data into the system. With these two advancements, we got
classification performance in terms of F1 scores of 0.9796 and 0.8140 on two
large-scale ECG datasets, i.e., Chapman and CPSC-2018, respectively, which
surpassed current state-of-the-art ECG classification methods, even those
trained on 12-lead data. To encourage further development, our source code is
publicly available at https://github.com/lhkhiem28/LightX3ECG.
- Abstract(参考訳): 現在、世界中で死因となっている心臓血管疾患(CVD)と診断される人が増えている。
これらの心疾患を特定するための金の基準は心電図(ECG)である。
標準の12誘導心電図は臨床および現在の研究の大半で広く使用されている。
しかし、少ない数のリードを使用することで、ポータブルデバイスやウェアラブルデバイスと統合できるため、ecgはより普及する。
本稿では,3誘導ECG分類における現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介し,標準12誘導ECGを用いて訓練されたモデルに匹敵するものである。
具体的には,心拍数回帰という形でのマルチタスク学習方式と,患者人口統計データをシステムに統合する効果的なメカニズムを提案する。
これら2つの進歩により、現在最先端のECG分類法を超越した2つの大規模ECGデータセット、すなわちChapmanとCPSC-2018において、F1スコアの0.9796と0.8140の分類性能を得た。
さらなる開発を促進するため、ソースコードはhttps://github.com/lhkhiem28/LightX3ECGで公開されています。
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) - MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、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を用いてECGレポート生成に取り組む最初の試みである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) - 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) - 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) - SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。
注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文 参考訳(メタデータ) (2022-10-31T07:36:48Z) - Hierarchical Deep Learning with Generative Adversarial Network for
Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。
第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。
第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
論文 参考訳(メタデータ) (2022-10-19T12:29:05Z) - LightX3ECG: A Lightweight and eXplainable Deep Learning System for
3-lead Electrocardiogram Classification [0.0]
心電図(Electrocardiogram、ECG)は、様々な心血管異常を識別するための金の規格である。
本研究では,3つの心電図のみを用いて,複数の心血管異常を正確に同定する新しい深層学習システムを開発した。
論文 参考訳(メタデータ) (2022-07-25T17:49:29Z) - 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) - Towards Synthesizing Twelve-Lead Electrocardiograms from Two Asynchronous Leads [1.674731937678848]
12誘導心電図を用いて心臓病の診断を行った。
様々なウェアラブルデバイスは、Wieldy機器を使わずにECGへの即時アクセスを可能にしている。
本稿では,2つの非同期リードから10リードへのECG合成の深部生成モデルを提案する。
論文 参考訳(メタデータ) (2021-02-28T09:23:17Z) - 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。