論文の概要: MedalCare-XL: 16,900 healthy and pathological 12 lead ECGs obtained
through electrophysiological simulations
- arxiv url: http://arxiv.org/abs/2211.15997v1
- Date: Tue, 29 Nov 2022 07:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 18:08:53.475363
- Title: MedalCare-XL: 16,900 healthy and pathological 12 lead ECGs obtained
through electrophysiological simulations
- Title(参考訳): medalcare-xl:16,900 健常および病的12誘導心電図の電気生理学的シミュレーションによる解析
- Authors: Karli Gillette, Matthias A.F. Gsell, Claudia Nagel, Jule Bender,
Bejamin Winkler, Steven E. Williams, Markus B\"ar, Tobias Sch\"affter, Olaf
D\"ossel, Gernot Plank, Axel Loewe
- Abstract要約: 機械的心電気生理学的モデルでは、心臓の電気活動のパーソナライズされたシミュレーションと、それに続く心電図(ECG)を体表面で行うことができる。
電気生理学的シミュレーションに基づいて, 合計16,900個の心電図からなる新しい合成データベースを作成した。
仮想コホートと公用臨床心電図データベースとの抽出特徴の比較により, 臨床心電図の合成信号は健常者, 病理組織学的サブポピュレーションにおいて高い忠実度を有する症例において臨床心電図を表すことが示された。
- 参考スコア(独自算出の注目度): 0.12417791895581763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mechanistic cardiac electrophysiology models allow for personalized
simulations of the electrical activity in the heart and the ensuing
electrocardiogram (ECG) on the body surface. As such, synthetic signals possess
known ground truth labels of the underlying disease and can be employed for
validation of machine learning ECG analysis tools in addition to clinical
signals. Recently, synthetic ECGs were used to enrich sparse clinical data or
even replace them completely during training leading to improved performance on
real-world clinical test data. We thus generated a novel synthetic database
comprising a total of 16,900 12 lead ECGs based on electrophysiological
simulations equally distributed into healthy control and 7 pathology classes.
The pathological case of myocardial infraction had 6 sub-classes. A comparison
of extracted features between the virtual cohort and a publicly available
clinical ECG database demonstrated that the synthetic signals represent
clinical ECGs for healthy and pathological subpopulations with high fidelity.
The ECG database is split into training, validation, and test folds for
development and objective assessment of novel machine learning algorithms.
- Abstract(参考訳): メカニックな心臓電気生理学的モデルにより、心臓の電気的活動と体表面の心電図(ecg)のパーソナライズされたシミュレーションが可能になる。
したがって、合成信号は基礎疾患の既知の基底的真理ラベルを有しており、臨床信号に加えて機械学習のecg分析ツールの検証に利用できる。
近年, 合成心電図は臨床データの疎結合化や, トレーニング中に完全に置き換えられるようになり, 実世界の臨床検査データのパフォーマンスが向上した。
そこで我々は,健康管理と病理7クラスに均等に分布する電気生理学的シミュレーションに基づいて,合計16,900個のリード心電図からなる新しい合成データベースを作成した。
病理組織学的には6亜型であった。
仮想コホートと公用臨床心電図データベースの抽出特徴の比較により, 臨床心電図の合成信号は健常者, 病的サブポピュレーションにおいて高い忠実度を示すことが示された。
ECGデータベースは、新しい機械学習アルゴリズムの開発と客観的評価のためのトレーニング、検証、テストフォールドに分割される。
関連論文リスト
- Electrocardiogram Instruction Tuning for Report Generation [42.69952949416674]
心電図(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によるECGレポート生成に対処する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) - 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) - Text-to-ECG: 12-Lead Electrocardiogram Synthesis conditioned on Clinical
Text Reports [6.659609788411503]
本稿では,ECG出力を生成するためにテキスト入力を使用するテキスト・ツー・ECGタスクを提案する。
本稿では,12個の心電図を合成する自動回帰生成モデルAuto-TTEを提案する。
論文 参考訳(メタデータ) (2023-03-09T11:58:38Z) - Leveraging Statistical Shape Priors in GAN-based ECG Synthesis [3.3482093430607267]
本稿では,GAN(Generative Adversarial Networks)と統計ECGデータモデリングを用いた新しいECG信号生成手法を提案する。
本手法では,ECG信号の複雑なダイナミックスに対処するため,ECGのダイナミックスに関する事前知識を活用して現実的な信号の合成を行う。
以上の結果から,ECG信号の時間的・振幅的変動を2次元形状としてモデル化した手法は,最先端のGANベースの生成ベースラインと比較して,より現実的な信号を生成することがわかった。
論文 参考訳(メタデータ) (2022-10-22T18:06:11Z) - GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for
Robust Electrocardiogram Prediction [20.8603653664403]
本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。
我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。
12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
論文 参考訳(メタデータ) (2022-08-02T03:14:13Z) - 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) - Robustness of convolutional neural networks to physiological ECG noise [0.0]
心電図(ECG)は、医療において最も普及している診断ツールの一つであり、心血管疾患の診断を支援する。
深層学習法は、心電図信号から障害の徴候を検出する手法として成功し、普及している。
生理的ECGノイズを含む様々な要因に対するこれらの手法の堅牢性には、オープンな疑問がある。
我々は、SPAR(Symmetric Projection Attractor Reconstruction)と頭蓋骨画像変換を適用する前に、ECGデータセットのクリーンでノイズの多いバージョンを生成する。
事前訓練された畳み込みニューラルネットワークは、これらの画像変換を分類するために転送学習を用いて訓練される。
論文 参考訳(メタデータ) (2021-08-02T08:16:32Z) - Representing and Denoising Wearable ECG Recordings [12.378631176671773]
ウェアラブルセンサから得られるECGの構造的ノイズ過程をシミュレートする統計モデルを構築した。
変動解析のためのビート・ツー・ビート表現を設計し,心電図を識別する因子分析に基づく手法を提案する。
論文 参考訳(メタデータ) (2020-11-30T21:33:11Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - 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) - 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。