論文の概要: Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2210.14253v1
• Date: Tue, 25 Oct 2022 18:11:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 15:51:17.848624
• Title: Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた不整脈心電図信号の分類と自己改善
• Authors: Bartosz Grabowski, Przemys{\l}aw G{\l}omb, Wojciech Masarczyk, Pawe{\l} P{\l}awiak, \"Ozal Y{\i}ld{\i}r{\i}m, U Rajendra Acharya, Ru-San Tan
• Abstract要約: 回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。 我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
• 参考スコア（独自算出の注目度）: 13.025714736073489
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpretation of electrocardiography (ECG) signals is required for diagnosing cardiac arrhythmia. Recently, machine learning techniques have been applied for automated computer-aided diagnosis. Machine learning tasks can be divided into regression and classification. Regression can be used for noise and artifacts removal as well as resolve issues of missing data from low sampling frequency. Classification task concerns the prediction of output diagnostic classes according to expert-labeled input classes. In this work, we propose a deep neural network model capable of solving regression and classification tasks. Moreover, we combined the two approaches, using unlabeled and labeled data, to train the model. We tested the model on the MIT-BIH Arrhythmia database. Our method showed high effectiveness in detecting cardiac arrhythmia based on modified Lead II ECG records, as well as achieved high quality of ECG signal approximation. For the former, our method attained overall accuracy of 87:33% and balanced accuracy of 80:54%, on par with reference approaches. For the latter, application of self-supervised learning allowed for training without the need for expert labels. The regression model yielded satisfactory performance with fairly accurate prediction of QRS complexes. Transferring knowledge from regression to the classification task, our method attained higher overall accuracy of 87:78%.
• Abstract（参考訳）: 心不整脈の診断には心電図信号の解釈が必要である。 近年,自動診断に機械学習技術が応用されている。 機械学習のタスクは回帰と分類に分けられる。 レグレッションはノイズやアーティファクトの除去や、サンプリング頻度の低いデータ不足の問題の解決に使用することができる。 分類タスクは、エキスパートラベル入力クラスに従って出力診断クラスの予測を行う。 本研究では,回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。 さらに,ラベルなしデータとラベル付きデータを用いた2つのアプローチを組み合わせてモデルをトレーニングした。 このモデルをMIT-BIH Arrhythmiaデータベース上で検証した。 改良型リードii心電図記録に基づく心不整脈の検出には高い効果を示し,心電図信号近似の精度も向上した。 前者では,基準手法と同等に,87:33%,80:54%の総合精度を得た。 後者では、専門家のラベルを使わずに、自己指導型学習の応用が可能となった。 回帰モデルにより, qrs複合体の予測精度は良好であった。 本手法は,回帰から分類タスクへ知識を移し,87:78%の精度を得た。

関連論文リスト

• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• An Evaluation of Machine Learning Approaches for Early Diagnosis of Autism Spectrum Disorder [0.0]
  自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。 本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
  論文  参考訳（メタデータ） (2023-09-20T21:23:37Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
  不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。 提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。 以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-06T13:26:29Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Classification of ECG based on Hybrid Features using CNNs for Wearable Applications [2.0999222360659604]
  ハイブリッド機能と3つの異なるモデルを用いたECG分類の性能向上を示す。 この研究で提案されたRR間隔の特徴に基づくモデルでは、98.98%の精度が達成され、ベースラインモデルよりも改善された。 周波数特性とRR間隔特性を組み合わせた別のモデルが開発され、ノイズ環境下での良好な持続性能で99%の精度で達成された。
  論文  参考訳（メタデータ） (2022-06-14T12:14:40Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Supraventricular Tachycardia Detection and Classification Model of ECG signal Using Machine Learning [0.0]
  心電図(ECG)信号の研究は心疾患の診断に不可欠である。 本研究は,雑音のフィルタリングを含む数段階からなる上室性不整脈予測モデルを提案する。 我々は,異なるタイプの上室頻拍を分類できる機械学習に基づく分類モデルを開発した。
  論文  参考訳（メタデータ） (2021-12-24T05:48:26Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
  本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。 提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-18T13:13:41Z)
• 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。