論文の概要: Benchmarking the Impact of Noise on Deep Learning-based Classification
of Atrial Fibrillation in 12-Lead ECG
- arxiv url: http://arxiv.org/abs/2303.13915v1
- Date: Fri, 24 Mar 2023 11:04:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 14:59:02.114819
- Title: Benchmarking the Impact of Noise on Deep Learning-based Classification
of Atrial Fibrillation in 12-Lead ECG
- Title（参考訳）: 12レベル心電図の深層学習に基づく心房細動分類におけるノイズの影響のベンチマーク
- Authors: Theresa Bender, Philip Gemke, Ennio Idrobo-Avila, Henning Dathe,
Dagmar Krefting, Nicolai Spicher
- Abstract要約: 12誘導心電図における心房細動検出のためのDeep Learning-based methodの精度に対する4種類のノイズの影響をベンチマークした。
本手法が心房細動を頑健に識別できることを我々は観察する。
- 参考スコア（独自算出の注目度）: 1.174402845822043
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electrocardiography analysis is widely used in various clinical applications
and Deep Learning models for classification tasks are currently in the focus of
research. Due to their data-driven character, they bear the potential to handle
signal noise efficiently, but its influence on the accuracy of these methods is
still unclear. Therefore, we benchmark the influence of four types of noise on
the accuracy of a Deep Learning-based method for atrial fibrillation detection
in 12-lead electrocardiograms. We use a subset of a publicly available dataset
(PTBXL) and use the metadata provided by human experts regarding noise for
assigning a signal quality to each electrocardiogram. Furthermore, we compute a
quantitative signal-to-noise ratio for each electrocardiogram. We analyze the
accuracy of the Deep Learning model with respect to both metrics and observe
that the method can robustly identify atrial fibrillation, even in cases
signals are labelled by human experts as being noisy on multiple leads. False
positive and false negative rates are slightly worse for data being labelled as
noisy. Interestingly, data annotated as showing baseline drift noise results in
an accuracy very similar to data without. We conclude that the issue of
processing noisy electrocardiography data can be addressed successfully by Deep
Learning methods that might not need preprocessing as many conventional methods
do.
- Abstract（参考訳）: 心電図解析は様々な臨床応用で広く使われており、分類タスクのディープラーニングモデルが現在研究の焦点となっている。
データ駆動特性のため、信号ノイズを効率的に処理する可能性を秘めているが、これらの手法の精度への影響はいまだ不明である。
そこで本研究では,12誘導心電図における心房細動検出のためのDeep Learning-based methodの精度に対する4種類のノイズの影響をベンチマークした。
我々は、公開データセット(PTBXL)のサブセットを使用し、ノイズに関する人間の専門家が提供するメタデータを使用して、各心電図に信号品質を割り当てる。
さらに,心電図毎に定量的信号対雑音比を算出する。
両指標について深層学習モデルの精度を解析し,ヒトの専門家が複数の手がかりにうるさい信号とラベル付けした場合でも,心房細動を確実に識別できることを観察する。
偽陽性率と偽陰性率は、データにノイズとラベル付けされる場合、やや悪化する。
興味深いことに、ベースラインドリフトノイズを示すようにアノテートされたデータは、不要なデータと非常によく似た精度をもたらす。
ノイズの多い心電図データの処理は,従来の方法のように事前処理を必要としない深層学習法で実現可能であると結論付けた。
関連論文リスト
- Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。
これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。
F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
論文 参考訳（メタデータ） (2023-04-13T03:20:45Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Automatic Detection of Noisy Electrocardiogram Signals without Explicit
Noise Labels [12.176026483486252]
ノイズの多いECGサンプルを自動的に検出する2段階のディープラーニングベースのフレームワークを提案する。
本フレームワークは, わずかに, 非常にノイズの多いECGサンプルを効果的に検出できる。
また、あるデータセットで学習したモデルの別のデータセットへの転送について検討し、このフレームワークがノイズの多いECGサンプルを効果的に検出することを観察する。
論文 参考訳（メタデータ） (2022-08-08T17:16:16Z) - 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) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
本研究では,新しいセグメンテーションフリー心音分類法を提案する。
具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。
サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
論文 参考訳（メタデータ） (2021-08-09T16:09:30Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳（メタデータ） (2021-06-03T14:09:04Z) - Improving Medical Image Classification with Label Noise Using
Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。
医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-28T14:56:45Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。