論文の概要: Towards Domain Generalization for ECG and EEG Classification: Algorithms and Benchmarks

• arxiv url: http://arxiv.org/abs/2303.11338v3
• Date: Mon, 3 Jul 2023 07:39:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-04 14:13:35.949496
• Title: Towards Domain Generalization for ECG and EEG Classification: Algorithms and Benchmarks
• Title（参考訳）: ecgと脳波分類のドメイン一般化に向けて:アルゴリズムとベンチマーク
• Authors: Aristotelis Ballas and Christos Diou
• Abstract要約: 生体信号の領域一般化問題は心電図(ECG)と脳電図(EEG)に焦点をあてる 本稿では,DGアルゴリズム評価のためのベンチマークを提案し,生体信号分類におけるDG処理のための新しいアーキテクチャを提案する。 我々の知る限り、これはECGとEEG DGアルゴリズムを評価するためのオープンソースのフレームワークを開発するための最初の試みである。
• 参考スコア（独自算出の注目度）: 3.1372269816123994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite their immense success in numerous fields, machine and deep learning systems have not yet been able to firmly establish themselves in mission-critical applications in healthcare. One of the main reasons lies in the fact that when models are presented with previously unseen, Out-of-Distribution samples, their performance deteriorates significantly. This is known as the Domain Generalization (DG) problem. Our objective in this work is to propose a benchmark for evaluating DG algorithms, in addition to introducing a novel architecture for tackling DG in biosignal classification. In this paper, we describe the Domain Generalization problem for biosignals, focusing on electrocardiograms (ECG) and electroencephalograms (EEG) and propose and implement an open-source biosignal DG evaluation benchmark. Furthermore, we adapt state-of-the-art DG algorithms from computer vision to the problem of 1D biosignal classification and evaluate their effectiveness. Finally, we also introduce a novel neural network architecture that leverages multi-layer representations for improved model generalizability. By implementing the above DG setup we are able to experimentally demonstrate the presence of the DG problem in ECG and EEG datasets. In addition, our proposed model demonstrates improved effectiveness compared to the baseline algorithms, exceeding the state-of-the-art in both datasets. Recognizing the significance of the distribution shift present in biosignal datasets, the presented benchmark aims at urging further research into the field of biomedical DG by simplifying the evaluation process of proposed algorithms. To our knowledge, this is the first attempt at developing an open-source framework for evaluating ECG and EEG DG algorithms.
• Abstract（参考訳）: 多くの分野で大きな成功を収めているが、機械学習とディープラーニングのシステムは、まだ医療におけるミッションクリティカルな応用において確固たる地位を確立していない。 主な理由の1つは、モデルが未発見の分散サンプルで提示されると、その性能が著しく低下するという事実である。 これはドメイン一般化(DG)問題として知られている。 本研究の目的は,生体信号分類におけるDG処理のための新しいアーキテクチャの導入に加えて,DGアルゴリズムの評価のためのベンチマークを提案することである。 本稿では,心電図(ecg)と脳波(eeg)に着目し,生体信号の領域一般化問題を説明し,オープンソースの生体信号dg評価ベンチマークを提案する。 さらに,コンピュータビジョンから1次元生体信号分類問題への最先端DGアルゴリズムの適用と,その有効性の評価を行った。 最後に、モデル一般化性を改善するために多層表現を活用する新しいニューラルネットワークアーキテクチャを導入する。 上記のDG設定を実装することで、ECGおよびEEGデータセットにおけるDG問題の存在を実験的に実証することができる。 さらに,提案モデルでは,ベースラインアルゴリズムよりも精度が向上し,両者のデータセットの最先端性を上回っている。 提案ベンチマークは,生体信号データセットに存在する分布変化の重要性を認識し,提案アルゴリズムの評価プロセスを簡素化し,バイオメディカルDG分野のさらなる研究を促すことを目的とする。 我々の知る限り、これはECGとEEG DGアルゴリズムを評価するためのオープンソースのフレームワークを開発するための最初の試みである。

関連論文リスト

• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• ECGMamba: Towards Efficient ECG Classification with BiSSM [3.0120310355085467]
  本稿では,双方向状態空間モデル(BiSSM)を用いて分類効率を向上させる新しいモデルECGMambaを提案する。 2つの公開ECGデータセットの実験結果は、ECGMambaが効果的に分類の有効性と効率のバランスをとることを示した。
  論文  参考訳（メタデータ） (2024-06-14T14:55:53Z)
• hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications [3.031375888004876]
  脳波の既存のDLベースのモデリング手法に2つの課題がある。 被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:36:31Z)
• Unsupervised Pre-Training Using Masked Autoencoders for ECG Analysis [4.3312979375047025]
  本稿では、心電図(ECG)信号のためのマスク付きオートエンコーダ(MAE)に基づく教師なし事前トレーニング手法を提案する。 さらに、ECG分析のための完全なフレームワークを形成するためのタスク固有の微調整を提案する。 フレームワークは高レベルで普遍的で、特定のモデルアーキテクチャやタスクに個別に適応していない。
  論文  参考訳（メタデータ） (2023-10-17T11:19:51Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• 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)
• On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
  ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。 いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。 我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-24T16:29:43Z)
• Generalized Visual Quality Assessment of GAN-Generated Face Images [79.47386781978531]
  GAN生成顔画像(GFI)の汎用品質評価に向けた主観的・客観的品質の検討 我々は、利用可能なGANアルゴリズムと見えないGANアルゴリズムの両方から、GFIの正確な品質予測を可能にする品質評価モデルを開発する。
  論文  参考訳（メタデータ） (2022-01-28T07:54:49Z)
• A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources [79.48829365560788]
  異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。 HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
  論文  参考訳（メタデータ） (2020-11-30T15:03:47Z)
• Deep Learning for ECG Analysis: Benchmarks and Insights from PTB-XL [15.552721021992847]
  PTB-XLデータセットのベンチマーク結果について検討した。 畳み込みニューラルネットワーク、特にresnetおよびinceptionベースのアーキテクチャは、すべてのタスクで最高のパフォーマンスを示します。 結果は、隠れ層化、モデルの不確実性、探索的解釈可能性分析の観点から、分類アルゴリズムの深い洞察によって補完される。
  論文  参考訳（メタデータ） (2020-04-28T17:55:17Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。