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: 翻訳完了
• 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

• Masked Autoencoders that Feel the Heart: Unveiling Simplicity Bias for ECG Analyses [24.039917512972977]
  単純性バイアス(Simplicity Bias, SB)として知られる細粒度だが臨床的に重要な手がかりを見越して, 支配的かつ反復的なパターンに適合する傾向を示した。 本稿では,1)ECG信号の動的特性を反映した時間周波数特性を捉えるための時間周波数対応フィルタと,2)2つの領域をまたいだ粗い表現学習のための多言語プロトタイプ再構成と,さらにSBを緩和する手法を提案する。
  論文  参考訳（メタデータ） (2025-06-25T03:25:49Z)
• Diffusion-Based Electrocardiography Noise Quantification via Anomaly Detection [2.741077302469742]
  ECGノイズに対処する既存の手法は、アーティファクト分類やデノナイジングに依存しており、アノテーションの不整合と一般化性に制約されている。 クリーンなECG信号の正規分布をモデル化する拡散型フレームワークを提案し, 明示的なアーティファクトラベルを必要とせず, 偏差をノイズとして識別する。
  論文  参考訳（メタデータ） (2025-06-13T14:19:04Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Investigating the Generalizability of ECG Noise Detection Across Diverse Data Sources and Noise Types [0.0]
  クロスデータセット実験による新しいHRVを用いたECGにおけるノイズ検出の一般化可能性について検討する。 その結果,機械学習の平均精度は90%以上であり,AUPRCは0.9以上であることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T12:54:56Z)
• 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)
• Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection [43.905374104261014]
  そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。 どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。 以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-03T15:37:40Z)
• 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。