論文の概要: In-Distribution and Out-of-Distribution Self-supervised ECG
Representation Learning for Arrhythmia Detection
- arxiv url: http://arxiv.org/abs/2304.06427v1
- Date: Thu, 13 Apr 2023 11:46:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 14:44:40.105751
- Title: In-Distribution and Out-of-Distribution Self-supervised ECG
Representation Learning for Arrhythmia Detection
- Title（参考訳）: 不整脈検出のための自己教師付き心電図表現学習
- Authors: Sahar Soltanieh, Javad Hashemi, Ali Etemad
- Abstract要約: 本稿では,心電図不整脈検出のための自己監視学習法(SSL)の有効性について,系統的な検討を行った。
私たちの知る限りでは、この領域の分布を定量化するのは私たちの研究が初めてです。
In-Distribution(ID)とOut-of-Distribution(OOD)のECGデータにおいて,これらの手法の性能をさらに評価するために,クロスデータセットトレーニングと試験実験を実施している。
- 参考スコア（独自算出の注目度）: 17.467589890017123
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper presents a systematic investigation into the effectiveness of
Self-Supervised Learning (SSL) methods for Electrocardiogram (ECG) arrhythmia
detection. We begin by conducting a novel distribution analysis on three
popular ECG-based arrhythmia datasets: PTB-XL, Chapman, and Ribeiro. To the
best of our knowledge, our study is the first to quantify these distributions
in this area. We then perform a comprehensive set of experiments using
different augmentations and parameters to evaluate the effectiveness of various
SSL methods, namely SimCRL, BYOL, and SwAV, for ECG representation learning,
where we observe the best performance achieved by SwAV. Furthermore, our
analysis shows that SSL methods achieve highly competitive results to those
achieved by supervised state-of-the-art methods. To further assess the
performance of these methods on both In-Distribution (ID) and
Out-of-Distribution (OOD) ECG data, we conduct cross-dataset training and
testing experiments. Our comprehensive experiments show almost identical
results when comparing ID and OOD schemes, indicating that SSL techniques can
learn highly effective representations that generalize well across different
OOD datasets. This finding can have major implications for ECG-based arrhythmia
detection. Lastly, to further analyze our results, we perform detailed
per-disease studies on the performance of the SSL methods on the three
datasets.
- Abstract（参考訳）: 本稿では,心電図不整脈検出のための自己監督学習法(SSL)の有効性について,系統的検討を行った。
PTB-XL, Chapman, Ribeiroの3つの一般的な心電図に基づく不整脈データセットの分布解析から始める。
私たちの知る限りでは、この分野でこれらの分布を定量化するのは私たちの研究が初めてです。
次に,様々な拡張とパラメータを用いて,ecg表現学習のための様々なssl手法(simcrl,byol,swav)の有効性を評価するための総合的な実験を行い,swavが達成した最良性能を観察した。
さらに, SSL手法は, 教師付き最先端手法により達成された手法に対して高い競争力を発揮することを示す。
In-Distribution(ID)とOut-of-Distribution(OOD)のECGデータでこれらの手法の性能をさらに評価するため、クロスデータセットトレーニングおよびテスト実験を実施している。
包括的実験により,IDとOODのスキームを比較するとほぼ同じ結果が得られ,SSL技術は様々なOODデータセットにまたがる高い効率の表現を学習できることが示唆された。
この発見は心電図による不整脈検出に大きな影響を及ぼす可能性がある。
最後に,この結果をさらに分析するために,3つのデータセットにおけるsslメソッドの性能に関する精査毎の詳細な研究を行う。
関連論文リスト
- FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - Deep Learning for identifying systolic complexes in SCG traces: a cross-dataset analysis [3.2109665109975696]
サイストリック複合体を検出する最先端のソリューションは、Deep Learningモデルに基づいている。
本研究では,実世界のシナリオからのデータも考慮し,データセット間の実験分析を行った。
論文 参考訳（メタデータ） (2024-08-08T13:10:03Z) - Foundation Models for ECG: Leveraging Hybrid Self-Supervised Learning for Advanced Cardiac Diagnostics [2.948318253609515]
自己教師付き学習(SSL)法で強化された基礎モデルを用いることで、心電図(ECG)解析に対する革新的なアプローチが提示される。
本研究は、生成学習やコントラスト学習を含むSSL手法を利用して、ECGの基礎モデルを包括的に評価する。
心臓診断の精度と信頼性を向上させる基礎モデルのためのハイブリッドラーニング(HL)を開発した。
論文 参考訳（メタデータ） (2024-06-26T02:24:13Z) - Zero-Shot ECG Classification with Multimodal Learning and Test-time Clinical Knowledge Enhancement [10.611952462532908]
マルチモーダルECG表現学習(MERL)は、テキストプロンプトでゼロショットECG分類を行うことができる。
本稿では,外部の専門知識データベースを利用した臨床知識向上技術(CKEPE)アプローチを提案する。
MERLは、ゼロショット分類における平均75.2%のAUCスコアを(トレーニングデータなしで)達成し、10%の注釈付きトレーニングデータを持つ線形プローブeSSLメソッドよりも3.2%高い。
論文 参考訳（メタデータ） (2024-03-11T12:28:55Z) - Guiding Masked Representation Learning to Capture Spatio-Temporal Relationship of Electrocardiogram [2.2842904085777045]
本稿では,ST-MEM(S-Temporal Masked Electrocardiogram Modeling)を提案する。
ST-MEMは、不整脈に対する様々な実験的設定において、他のSSLベースラインメソッドよりも優れている。
論文 参考訳（メタデータ） (2024-02-02T10:04:13Z) - 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) - Extraction of volumetric indices from echocardiography: which deep
learning solution for clinical use? [6.144041824426555]
提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。
実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
論文 参考訳（メタデータ） (2023-05-03T09:38:52Z) - Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。
医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。
外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文 参考訳（メタデータ） (2022-07-01T14:17:11Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - 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) - 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。