論文の概要: Unleashing the Power of Electrocardiograms: A novel approach for Patient Identification in Healthcare Systems with ECG Signals

• arxiv url: http://arxiv.org/abs/2302.06529v2
• Date: Thu, 6 Jul 2023 08:57:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 18:01:11.631820
• Title: Unleashing the Power of Electrocardiograms: A novel approach for Patient Identification in Healthcare Systems with ECG Signals
• Title（参考訳）: 心電図のパワーを解き放つ : 心電図信号を用いた医療システムにおける新しい患者同定法
• Authors: Caterina Fuster-Barcel\'o, Carmen C\'amara, Pedro Peris-L\'opez
• Abstract要約: 本稿では,心電図信号を用いた医療システムにおける患者識別のための新しいアプローチを提案する。 畳み込みニューラルネットワークは、ECG信号から抽出された画像に基づいてユーザを分類するために使用される。
• 参考スコア（独自算出の注目度）: 0.696125353550498
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Over the course of the past two decades, a substantial body of research has substantiated the viability of utilising cardiac signals as a biometric modality. This paper presents a novel approach for patient identification in healthcare systems using electrocardiogram signals. A convolutional neural network is used to classify users based on images extracted from ECG signals. The proposed identification system is evaluated in multiple databases, providing a comprehensive understanding of its potential in real-world scenarios. The impact of Cardiovascular Diseases on generic user identification has been largely overlooked in previous studies. The presented method takes into account the cardiovascular condition of the patients, ensuring that the results obtained are not biased or limited. Furthermore, the results obtained are consistent and reliable, with lower error rates and higher accuracy metrics, as demonstrated through extensive experimentation. All these features make the proposed method a valuable contribution to the field of patient identification in healthcare systems, and make it a strong contender for practical applications.
• Abstract（参考訳）: 過去20年間に渡り、心臓のシグナルを生体計測のモダリティとして活用する可能性についてかなりの研究が続けられてきた。 本稿では心電図信号を用いた医療システムにおける患者識別のための新しいアプローチを提案する。 畳み込みニューラルネットワークは、ECG信号から抽出された画像に基づいてユーザを分類するために使用される。 提案する識別システムは複数のデータベースで評価され,実世界のシナリオにおけるその可能性の包括的理解を提供する。 心臓血管疾患の一般ユーザ識別への影響は、これまでの研究では概ね見過ごされてきた。 本手法は, 患者の心血管状態を考慮し, 得られた結果が偏りや制限がないことを保証する。 さらに、得られた結果は、広範囲な実験によって示されるように、低いエラー率と高い精度のメトリクスで、一貫性と信頼性がある。 これらの機能はすべて、医療システムにおける患者識別の分野において、提案手法が貴重な貢献となり、実用的応用の強力な候補となる。

関連論文リスト

• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• SSSD-ECG-nle: New Label Embeddings with Structured State-Space Models for ECG generation [0.0]
  拡散モデルは近年大きく進歩し、実際のモデルに匹敵するデータを合成する可能性を生み出している。 本稿では,SSSD-ECGに基づくSSSD-ECG-nleアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-07-15T16:31:25Z)
• Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
  既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。 本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。 本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:15:53Z)
• 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)
• Identifying Ventricular Arrhythmias and Their Predictors by Applying Machine Learning Methods to Electronic Health Records in Patients With Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model) [0.3811495093928132]
  心室性不整脈(VAr)を有する肥大型心筋症患者を臨床的属性を用いて同定するための機械学習の最初の応用である。 臨床的変数は93例, VArは22例であった。 提案手法では,確立した10個のSCD予測器に加えて,12個の新しいVAr予測器を同定した。
  論文  参考訳（メタデータ） (2021-09-19T20:11:07Z)
• Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
  本研究では,人工知能を用いた心房細動検出法を提案する。 本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
  論文  参考訳（メタデータ） (2021-04-15T12:50:16Z)
• 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)
• Personalized pathology test for Cardio-vascular disease: Approximate Bayesian computation with discriminative summary statistics learning [48.7576911714538]
  近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。 この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
  論文  参考訳（メタデータ） (2020-10-13T15:20:21Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• 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。