論文の概要: Automatic Detection of Noisy Electrocardiogram Signals without Explicit Noise Labels

• arxiv url: http://arxiv.org/abs/2208.08853v1
• Date: Mon, 8 Aug 2022 17:16:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-28 22:22:35.832489
• Title: Automatic Detection of Noisy Electrocardiogram Signals without Explicit Noise Labels
• Title（参考訳）: 明示的なノイズラベルのないノイズ心電図信号の自動検出
• Authors: Radhika Dua, Jiyoung Lee, Joon-myoung Kwon, Edward Choi
• Abstract要約: ノイズの多いECGサンプルを自動的に検出する2段階のディープラーニングベースのフレームワークを提案する。 本フレームワークは, わずかに, 非常にノイズの多いECGサンプルを効果的に検出できる。 また、あるデータセットで学習したモデルの別のデータセットへの転送について検討し、このフレームワークがノイズの多いECGサンプルを効果的に検出することを観察する。
• 参考スコア（独自算出の注目度）: 12.176026483486252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrocardiogram (ECG) signals are beneficial in diagnosing cardiovascular diseases, which are one of the leading causes of death. However, they are often contaminated by noise artifacts and affect the automatic and manual diagnosis process. Automatic deep learning-based examination of ECG signals can lead to inaccurate diagnosis, and manual analysis involves rejection of noisy ECG samples by clinicians, which might cost extra time. To address this limitation, we present a two-stage deep learning-based framework to automatically detect the noisy ECG samples. Through extensive experiments and analysis on two different datasets, we observe that the deep learning-based framework can detect slightly and highly noisy ECG samples effectively. We also study the transfer of the model learned on one dataset to another dataset and observe that the framework effectively detects noisy ECG samples.
• Abstract（参考訳）: 心電図(ECG)信号は、死因の1つである心血管疾患の診断に有用である。 しかし、それらはしばしばノイズアーティファクトによって汚染され、自動および手動の診断プロセスに影響する。 深層学習に基づく心電図信号の自動検査は、不正確な診断につながる可能性があり、手動による分析は、余分な時間を要する臨床医によるノイズの多い心電図サンプルの拒絶を伴う。 この制限に対処するために、ノイズの多いECGサンプルを自動的に検出する2段階のディープラーニングベースのフレームワークを提案する。 2つの異なるデータセットに関する広範な実験と分析を通じて、ディープラーニングベースのフレームワークが、わずかにノイズの多いECGサンプルを効果的に検出できることを観察する。 また、あるデータセットで学習したモデルの別のデータセットへの転送を研究し、フレームワークがノイズの多いecgサンプルを効果的に検出するのを観察した。

関連論文リスト

• EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection [7.574088346030774]
  本稿では, 心電図における異常信号の検出に, 正規信号のラベルのみをトレーニングデータとして用いた。 イメージをパッチに分割して学習し,自動エンコーダをマスクする自己教師型視覚変換器にヒントを得て,脳波異常検出モデルEB-GAMEを導入する。
  論文  参考訳（メタデータ） (2024-04-08T13:01:59Z)
• 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)
• Benchmarking the Impact of Noise on Deep Learning-based Classification of Atrial Fibrillation in 12-Lead ECG [1.174402845822043]
  12誘導心電図における心房細動検出のためのDeep Learning-based methodの精度に対する4種類のノイズの影響をベンチマークした。 本手法が心房細動を頑健に識別できることを我々は観察する。
  論文  参考訳（メタデータ） (2023-03-24T11:04:16Z)
• 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)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• Blind ECG Restoration by Operational Cycle-GANs [15.264145425539128]
  心電図信号の持続的長期モニタリングは不整脈などの心疾患の早期発見に不可欠である。 非クリニカルECG記録は、ベースライン、信号カット、モーションアーティファクト、QRS振幅の変動、ノイズ、その他の干渉といった深刻なアーティファクトに悩まされることが多い。 サイクル整合型生成対向ネットワーク(Cycle-GAN)を用いた盲検心電図復元のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-01-29T19:47:17Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
  本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。 第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。 第2段階は、心拍を幅または幅に分類する分類NNである。 第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
  論文  参考訳（メタデータ） (2020-11-17T16:15:49Z)
• Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
  心電図(ECG)信号から心疾患を視覚的に検出することは困難である。 自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
  論文  参考訳（メタデータ） (2020-11-12T04:20:56Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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。