Fugu-MT 論文翻訳(概要): An Arrhythmia Classification-Guided Segmentation Model for Electrocardiogram Delineation

論文の概要: An Arrhythmia Classification-Guided Segmentation Model for Electrocardiogram Delineation

arxiv url: http://arxiv.org/abs/2304.06237v1
Date: Thu, 13 Apr 2023 03:20:45 GMT
ステータス: 処理完了
システム内更新日: 2023-04-14 15:50:03.275927
Title: An Arrhythmia Classification-Guided Segmentation Model for Electrocardiogram Delineation
Title（参考訳）: 心電図記述のための不整脈分類誘導セグメンテーションモデル
Authors: Chankyu Joung, Mijin Kim, Taejin Paik, Seong-Ho Kong, Seung-Young Oh, Won Kyeong Jeon, Jae-hu Jeon, Joong-Sik Hong, Wan-Joong Kim, Woong Kook, Myung-Jin Cha, Otto van Koert
Abstract要約: 本稿では,深層学習モデルを用いて不整脈を正確に記述する手法を提案する。本モデルでは, 広範囲の異常なリズムタイプによる信号のデライン化を正確に行い, 分類指導と組み合わせることで, 偽陽性P波の予測を効果的に削減することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate delineation of key waveforms in an ECG is a critical initial step in extracting relevant features to support the diagnosis and treatment of heart conditions. Although deep learning based methods using a segmentation model to locate P, QRS and T waves have shown promising results, their ability to handle signals exhibiting arrhythmia remains unclear. In this study, we propose a novel approach that leverages a deep learning model to accurately delineate signals with a wide range of arrhythmia. Our approach involves training a segmentation model using a hybrid loss function that combines segmentation with the task of arrhythmia classification. In addition, we use a diverse training set containing various arrhythmia types, enabling our model to handle a wide range of challenging cases. Experimental results show that our model accurately delineates signals with a broad range of abnormal rhythm types, and the combined training with classification guidance can effectively reduce false positive P wave predictions, particularly during atrial fibrillation and atrial flutter. Furthermore, our proposed method shows competitive performance with previous delineation algorithms on the Lobachevsky University Database (LUDB).
Abstract（参考訳）: 心電図におけるキー波形の正確なデライン化は、心臓疾患の診断と治療を支援するために、関連する特徴を抽出するための重要な初期段階である。 P波,QRS波,T波の探索のためのセグメンテーションモデルを用いた深層学習手法は有望な結果を示したが,不整脈を示す信号を扱う能力は未だ不明である。本研究では,深層学習モデルを用いて,幅広い不整脈で正確な信号のデライン化を行う手法を提案する。提案手法では,セグメンテーションと不整脈分類の課題を組み合わせたハイブリッド損失関数を用いてセグメンテーションモデルを訓練する。さらに,様々な不整脈型を含む多彩なトレーニングセットを用いて,モデルが幅広い難題を扱えるようにした。実験結果から,本モデルでは異常リズムのタイプが広範囲に分布し,分類指導と組み合わせた訓練により,心房細動や心房粗動時の偽陽性p波の予測を効果的に軽減できることがわかった。さらに, 提案手法は, Lobachevsky University Database (LUDB) 上の従来のデラインアルゴリズムと競合する性能を示す。

関連論文リスト

rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
論文参考訳（メタデータ） (2024-10-09T11:17:02Z)
Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
Non-linear Analysis Based ECG Classification of Cardiovascular Disorders [2.474908349649168]
マルチチャネル心電図に基づく心疾患の検出は、心臓ケアと治療に影響を及ぼす。本研究では,Recurrenceプロットの可視化を利用した非線形解析手法について報告する。 QRS複合体のようなよく定義された構造のパターン化は、再帰プロットを用いて効果的に利用することができる。
論文参考訳（メタデータ） (2024-08-02T19:03:53Z)
DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography [37.32413956117856]
本研究では,End-Diastolic (ED) フレームとEnd-Systolic (ES) フレームを識別するための教師なしおよびトレーニング不要な手法を提案する。アンカー点の同定と方向変形解析により,初期セグメンテーション画像の精度への依存性を効果的に低減する。本手法は,学習モデルと同等の精度を,関連する欠点を伴わずに達成する。
論文参考訳（メタデータ） (2024-03-19T14:51:01Z)
Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文参考訳（メタデータ） (2023-10-24T11:34:15Z)
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)
Supraventricular Tachycardia Detection and Classification Model of ECG signal Using Machine Learning [0.0]
心電図(ECG)信号の研究は心疾患の診断に不可欠である。本研究は,雑音のフィルタリングを含む数段階からなる上室性不整脈予測モデルを提案する。我々は,異なるタイプの上室頻拍を分類できる機械学習に基づく分類モデルを開発した。
論文参考訳（メタデータ） (2021-12-24T05:48:26Z)
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)
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)
A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
論文参考訳（メタデータ） (2020-04-24T23:41:41Z)
RPnet: A Deep Learning approach for robust R Peak detection in noisy ECG [0.0]
InceptionブロックとResidualブロックを組み合わせたUnetの新たな応用を提案し、ECGからRピークを抽出する。提案したネットワークは、CVDを持つECGエピソードを含むデータベース上でトレーニングされ、3つの従来のECG検出器に対してテストされた。
論文参考訳（メタデータ） (2020-04-17T08:11:39Z)

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。