論文の概要: Interpretable Tsetlin Machine-based Premature Ventricular Contraction Identification

• arxiv url: http://arxiv.org/abs/2301.10181v1
• Date: Fri, 20 Jan 2023 09:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-25 12:48:09.004455
• Title: Interpretable Tsetlin Machine-based Premature Ventricular Contraction Identification
• Title（参考訳）: 解釈可能なTsetlinマシンを用いた早期心室収縮同定
• Authors: Jinbao Zhang, Xuan Zhang, Lei Jiao, Ole-Christoffer Granmo, Yongjun Qian, Fan Pan
• Abstract要約: 我々は,長期心電図信号を解析し,早期心室収縮(PVC)同定のためのTsetlin Machine (TM) アーキテクチャを開発した。 我々の数値的な結果は、TMがMIT-BIHデータベース上で畳み込みニューラルネットワーク(CNN)に匹敵する性能を提供することを示している。 本研究は,臨床実習における心電図解析のための機械学習(ML)の方法である。
• 参考スコア（独自算出の注目度）: 10.929778688942825
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Neural network-based models have found wide use in automatic long-term electrocardiogram (ECG) analysis. However, such black box models are inadequate for analysing physiological signals where credibility and interpretability are crucial. Indeed, how to make ECG analysis transparent is still an open problem. In this study, we develop a Tsetlin machine (TM) based architecture for premature ventricular contraction (PVC) identification by analysing long-term ECG signals. The architecture is transparent by describing patterns directly with logical AND rules. To validate the accuracy of our approach, we compare the TM performance with those of convolutional neural networks (CNNs). Our numerical results demonstrate that TM provides comparable performance with CNNs on the MIT-BIH database. To validate interpretability, we provide explanatory diagrams that show how TM makes the PVC identification from confirming and invalidating patterns. We argue that these are compatible with medical knowledge so that they can be readily understood and verified by a medical doctor. Accordingly, we believe this study paves the way for machine learning (ML) for ECG analysis in clinical practice.
• Abstract（参考訳）: ニューラルネットワークに基づくモデルでは、心電図の自動解析に広く用いられている。 しかし、このようなブラックボックスモデルは、信頼性と解釈性が不可欠である生理的シグナルを分析するには不十分である。 実際、ecg分析を透明にする方法はまだ未解決の問題です。 本研究では,長期心電図信号の解析による早期心室収縮(PVC)同定のためのTsetlin Machine (TM) アーキテクチャを開発した。 アーキテクチャは論理とルールで直接パターンを記述することで透過的です。 提案手法の精度を検証するため,TM性能と畳み込みニューラルネットワーク(CNN)の性能を比較した。 数値計算の結果,TMはMIT-BIHデータベース上でCNNに匹敵する性能を示した。 解釈可能性を検証するために、TMによってPVCがパターンの確認や無効化を防いでいることを示す説明図を提供する。 これらは医学的知識と互換性があり、医師が容易に理解し、検証することができると論じている。 そこで本研究は, 臨床における心電図解析のための機械学習(ml)の道を開くものと考えられる。

関連論文リスト

• Fine-tuning Vision Language Models with Graph-based Knowledge for Explainable Medical Image Analysis [44.38638601819933]
  現在の糖尿病網膜症(DR)のステージングモデルはほとんど解釈できない。 本稿では,グラフ表現学習を視覚言語モデル(VLM)と統合し,説明可能なDR診断を実現する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-12T20:19:07Z)
• 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)
• Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
  機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。 本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
  論文  参考訳（メタデータ） (2024-12-07T08:29:44Z)
• ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
  短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。 新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
  論文  参考訳（メタデータ） (2024-07-25T13:27:10Z)
• End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence [42.52549987351643]
  本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。 このパイプラインの目標は、ストロークデータにおける接続性のための効率的な脳表現を定義することである。 この表現は、有向グラフ畳み込みアーキテクチャ内で使われ、説明可能な人工知能(AI)ツールで調査される。
  論文  参考訳（メタデータ） (2024-07-17T13:34:05Z)
• ElectroCardioGuard: Preventing Patient Misidentification in Electrocardiogram Databases through Neural Networks [0.0]
  臨床的には, 誤診患者に対する心電図記録の割り当ては不注意に発生することがある。 本稿では,2つの心電図が同一患者に由来するかどうかを判定する,小型で効率的な神経ネットワークモデルを提案する。 PTB-XL 上でのギャラリープローブによる患者識別において、760 倍のパラメータを用いて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-09T18:53:25Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• A Deep Learning Network for the Classification of Intracardiac Electrograms in Atrial Tachycardia [4.62891362095648]
  心房頻拍に対するカテーテルアブレーション治療の成功を可能にする重要な技術は,アクティベーションマッピングである。 これは、分数化信号の信号活性化ピークを特定するのが困難であるため、時間を要する、エラーを起こしやすい手順である。 本研究では,EMG信号の自動分類を3つのタイプに分類するディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-06-02T09:56:27Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Development of Interpretable Machine Learning Models to Detect Arrhythmia based on ECG Data [0.0]
  この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。 大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。 提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
  論文  参考訳（メタデータ） (2022-05-05T17:29:33Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• 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。