論文の概要: Machine learning-based detection of cardiovascular disease using ECG
signals: performance vs. complexity
- arxiv url: http://arxiv.org/abs/2303.11429v1
- Date: Fri, 10 Mar 2023 12:47:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-26 04:17:47.509647
- Title: Machine learning-based detection of cardiovascular disease using ECG
signals: performance vs. complexity
- Title(参考訳): 機械学習による心電図信号を用いた心血管疾患の検出:パフォーマンスと複雑性
- Authors: Huy Pham, Konstantin Egorov, Alexey Kazakov and Semen Budennyy
- Abstract要約: 本稿では心電図記録から心疾患を分類するための新しいアプローチを提案する。
最初のアプローチは、ECG信号とディープラーニングに基づく画像分類器のPoincare表現を提案する。
1D畳み込みモデル、特に1D ResNetは、CinC 2017とCinC 2020データセットの両方で最高の結果を示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiovascular disease remains a significant problem in modern society. Among
non-invasive techniques, the electrocardiogram (ECG) is one of the most
reliable methods for detecting abnormalities in cardiac activities. However,
ECG interpretation requires expert knowledge and it is time-consuming.
Developing a novel method to detect the disease early could prevent death and
complication. The paper presents novel various approaches for classifying
cardiac diseases from ECG recordings. The first approach suggests the Poincare
representation of ECG signal and deep-learning-based image classifiers
(ResNet50 and DenseNet121 were learned over Poincare diagrams), which showed
decent performance in predicting AF (atrial fibrillation) but not other types
of arrhythmia. XGBoost, a gradient-boosting model, showed an acceptable
performance in long-term data but had a long inference time due to
highly-consuming calculation within the pre-processing phase. Finally, the 1D
convolutional model, specifically the 1D ResNet, showed the best results in
both studied CinC 2017 and CinC 2020 datasets, reaching the F1 score of 85% and
71%, respectively, and that was superior to the first-ranking solution of each
challenge. The paper also investigated efficiency metrics such as power
consumption and equivalent CO2 emissions, with one-dimensional models like 1D
CNN and 1D ResNet being the most energy efficient. Model interpretation
analysis showed that the DenseNet detected AF using heart rate variability
while the 1DResNet assessed AF pattern in raw ECG signals.
- Abstract(参考訳): 心血管疾患は現代社会において重要な問題である。
非侵襲的手法の中で、心電図(ECG)は心臓活動の異常を検出する最も信頼性の高い方法の1つである。
しかし、ECGの解釈には専門家の知識が必要であり、時間を要する。
早期に疾患を検出する新しい方法の開発は、死と合併症を防ぐ可能性がある。
心電図記録から心疾患を分類するための新しいアプローチを提案する。
第1のアプローチは、心電図信号と深層学習に基づく画像分類器(ResNet50とDenseNet121)のポインケア表現を、心房細動(心房細動)を予測するのに十分な性能を示した。
勾配ブースティングモデルであるxgboostは、長期データで許容できる性能を示したが、前処理フェーズで高い消費率の計算により推論時間が長かった。
最後に、1d畳み込みモデル、特に1d resnetは、cinc 2017とcinc 2020のデータセットの研究において、それぞれ85%と71%のf1スコアに達し、各チャレンジの1次ソリューションよりも優れた結果を示した。
また,1次元CNNや1次元ResNetなどの1次元モデルが最もエネルギー効率が高いため,消費電力やCO2排出量に相当する効率指標についても検討した。
モデル解析の結果,DenseNetは心拍変動を用いてAFを検出,一方1DResNetは生ECG信号のAFパターンを評価した。
関連論文リスト
- Deep Learning Models for Arrhythmia Classification Using Stacked
Time-frequency Scalogram Images from ECG Signals [4.659427498118277]
本稿では,心電図に基づく不整脈分類のためのAI自動分類システムを提案する。
深層学習に基づく解法は心電図に基づく不整脈分類のために提案されている。
論文 参考訳(メタデータ) (2023-12-01T03:16:32Z) - 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) - PulseNet: Deep Learning ECG-signal classification using random
augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。
心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。
犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文 参考訳(メタデータ) (2023-05-17T09:06:39Z) - A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。
各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文 参考訳(メタデータ) (2022-08-29T05:01:04Z) - Global ECG Classification by Self-Operational Neural Networks with
Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。
我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。
提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文 参考訳(メタデータ) (2022-04-07T22:49:18Z) - Deep artificial neural network for prediction of atrial fibrillation
through the analysis of 12-leads standard ECG [0.0]
心房細動(Atrial Fibrillation,AF)は心臓不整脈である。
畳み込みニューラルネットワークを用いてECGを分析し,現実的なデータセットからAFを予測する。
論文 参考訳(メタデータ) (2022-01-14T10:09:01Z) - 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) - Electrocardiogram Classification and Visual Diagnosis of Atrial
Fibrillation with DenseECG [4.106327101916643]
心房細動(AF)は、世界中の多くの人々に影響を与える一般的な心臓不整脈です。
DenseECGは5層1D密結合畳み込みニューラルネットワークに基づくエンドツーエンドモデルである。
論文 参考訳(メタデータ) (2021-01-19T09:45:46Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - 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) - 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。