Fugu-MT 論文翻訳(概要): Deep learning based ECG segmentation for delineation of diverse arrhythmias

論文の概要: Deep learning based ECG segmentation for delineation of diverse arrhythmias

arxiv url: http://arxiv.org/abs/2304.06237v3
Date: Wed, 7 Aug 2024 04:59:21 GMT
ステータス: 処理完了
システム内更新日: 2024-08-08 18:33:27.209798
Title: Deep learning based ECG segmentation for delineation of diverse arrhythmias
Title（参考訳）: 深層学習に基づく多彩な不整脈の描写のためのECGセグメンテーション
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: 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。
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 step in extracting relevant features to support the diagnosis and treatment of heart conditions. Although deep learning based methods using segmentation models to locate P, QRS, and T waves have shown promising results, their ability to handle arrhythmias has not been studied in any detail. In this paper we investigate the effect of arrhythmias on delineation quality and develop strategies to improve performance in such cases. We introduce a U-Net-like segmentation model for ECG delineation with a particular focus on diverse arrhythmias. This is followed by a post-processing algorithm which removes noise and automatically determines the boundaries of P, QRS, and T waves. Our model has been trained on a diverse dataset and evaluated against the LUDB and QTDB datasets to show strong performance, with F1-scores exceeding 99% for QRS and T waves, and over 97% for P waves in the LUDB dataset. Furthermore, we assess various models across a wide array of arrhythmias and observe that models with a strong performance on standard benchmarks may still perform poorly on arrhythmias that are underrepresented in these benchmarks, such as tachycardias. We propose solutions to address this discrepancy.
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重要なステップである。 P, QRS, T波の探索にセグメンテーションモデルを用いた深層学習法は有望な結果を示しているが, 不整脈の処理能力については研究されていない。本稿では,不整脈が脱線品質に及ぼす影響について検討し,その有効性を高めるための戦略を開発する。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。さらに, 様々な不整脈モデルの評価を行い, タキカルディアなどのこれらのベンチマークで表現されていない不整脈に対して, 標準ベンチマーク上での強い性能のモデルでは, いまだに不整脈に対する性能が低いことを観察した。我々はこの相違に対処する解決策を提案する。

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。