論文の概要: Listen to your heart: A self-supervised approach for detecting murmur in heart-beat sounds

• arxiv url: http://arxiv.org/abs/2208.14845v2
• Date: Fri, 2 Sep 2022 12:17:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 10:18:38.314537
• Title: Listen to your heart: A self-supervised approach for detecting murmur in heart-beat sounds
• Title（参考訳）: 心臓に耳を傾ける:心臓の鼓動を検出する自己教師的アプローチ
• Authors: Aristotelis Ballas, Vasileios Papapanagiotou, Anastasios Delopoulos and Christos Diou
• Abstract要約: 心臓の大腿骨は心臓の鼓動に異常な音であり、心臓を流れる乱流の血流によって引き起こされる。 PhysioNet 2022チャレンジは、心臓のオーディオ記録から大腿骨の自動検出を目標としている。 本研究への参加は, 大腿骨発見における自己教師型学習の有効性について検討する。
• 参考スコア（独自算出の注目度）: 5.646552059494488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heart murmurs are abnormal sounds present in heartbeats, caused by turbulent blood flow through the heart. The PhysioNet 2022 challenge targets automatic detection of murmur from audio recordings of the heart and automatic detection of normal vs. abnormal clinical outcome. The recordings are captured from multiple locations around the heart. Our participation investigates the effectiveness of self-supervised learning for murmur detection. We evaluate the use of a backbone CNN, whose layers are trained in a self-supervised way with data from both this year's and the 2016 challenge. We use two different augmentations on each training sample, and normalized temperature-scaled cross-entropy loss. We experiment with different augmentations to learn effective phonocardiogram representations. To build the final detectors we train two classification heads, one for each challenge task. We present evaluation results for all combinations of the available augmentations, and for our multiple-augmentation approach.
• Abstract（参考訳）: 心臓の大腿骨は心臓の鼓動に異常な音であり、心臓の乱流によって引き起こされる。 PhysioNet 2022の課題は、心臓のオーディオ記録から大腿骨の自動検出と、正常と異常な臨床結果の自動検出である。 録音は心臓周辺の複数の場所から撮影される。 本研究は,大腿骨検出における自己教師付き学習の有効性について検討する。 我々は,今年と2016年の両課題のデータを用いて,レイヤを自己教師型の方法でトレーニングしたバックボーンCNNの使用を評価した。 トレーニングサンプル毎に異なる2つの拡張と,温度スケールのクロスエントロピー損失の正規化を行った。 有効な心電図表現を学習するために異なる拡張法を用いて実験を行った。 最後の検出器を構築するために、2つの分類ヘッドを訓練します。 利用可能な拡張のすべての組み合わせに対する評価結果と、多重拡張アプローチに関する評価結果を示す。

関連論文リスト

• Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope [3.956979400783713]
  心臓と肺の音は、医療監視に不可欠です。 近年の聴診器技術の進歩により、患者の音を精度良く捉えられるようになった。 私たちの知る限りでは、このデータセットは心呼吸音と混合呼吸音の両方を提供する最初のデータセットです。
  論文  参考訳（メタデータ） (2024-10-04T09:53:16Z)
• Semantic-aware Temporal Channel-wise Attention for Cardiac Function Assessment [69.02116920364311]
  既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。 本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。 提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-09T05:57:01Z)
• 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)
• 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)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Intra-Inter Subject Self-supervised Learning for Multivariate Cardiac Signals [5.344233761474541]
  多変量心信号用にカスタマイズしたISLモデルを提案する。 提案するISLモデルは,医学知識を自己スーパービジョンに統合し,内科間の違いから効果的に学習する。 半教師付き移行学習のシナリオでは、事前訓練されたISLモデルは、1%のラベル付きデータしか利用できない場合、教師付きトレーニングよりも約10%改善する。
  論文  参考訳（メタデータ） (2021-09-18T11:37:10Z)
• Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
  本研究では,新しいセグメンテーションフリー心音分類法を提案する。 具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。 サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
  論文  参考訳（メタデータ） (2021-08-09T16:09:30Z)
• A Visual Domain Transfer Learning Approach for Heartbeat Sound Classification [0.0]
  心臓病は人間の死亡の最も一般的な理由であり、世界中で約3分の1が死亡している。 疾患の早期発見は患者の生存率を高め、心臓病の徴候を早期に検出する方法がいくつかある。 本研究は、クリーン化および正規化された心音を視覚メルスケールスペクトログラムに変換し、視覚領域変換学習手法を用いて、心音の特徴を自動的に抽出し分類することを提案する。
  論文  参考訳（メタデータ） (2021-07-28T09:41:38Z)
• 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)
• 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)
• HAN-ECG: An Interpretable Atrial Fibrillation Detection Model Using Hierarchical Attention Networks [15.96723122978118]
  心房細動(英: atrial fibrillation、AF)は、米国で300万人以上、世界中の3300万人以上の人の生活に影響を及ぼす最も一般的な不整脈の1つである。 本稿では,AF検出タスクに対する双方向リカレント・ニューラルネットワークに基づく解釈可能なアプローチであるHAN-ECGを提案する。
  論文  参考訳（メタデータ） (2020-02-12T22:23:06Z)

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。