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
- Zero-Shot ECG Classification with Multimodal Learning and Test-time
Clinical Knowledge Enhancement [11.144096466222667]
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。
CKEPEアプローチは、外部の専門家が検証した臨床知識データベースを利用するために、LLM(Large Language Models)を使用する。
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 [2.495423169067077]
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) - Ensemble Learning of Myocardial Displacements for Myocardial Infarction
Detection in Echocardiography [15.153823114115307]
心筋梗塞の早期発見と局所化は、心臓損傷の重症度を低下させる可能性がある。
深層学習技術は心エコー画像におけるMI検出の可能性を示唆している。
本研究は,複数のセグメンテーションモデルの特徴を組み合わせ,MI分類性能を向上させるロバストな手法を提案する。
論文 参考訳(メタデータ) (2023-03-12T20:16:14Z) - 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) - Self-supervised representation learning from 12-lead ECG data [2.2691593216516868]
臨床12誘導心電図(ECG)データの短い部分からの自己監督的表現学習の包括的評価を行った。
本研究では,コンピュータビジョン (simclr, byol, swav) と音声 (cpc) による最先端の自己教師付き学習アルゴリズムの適応について検討する。
最適性能評価手法であるCPCでは、線形評価性能は教師付き性能よりわずか0.8%低い。
論文 参考訳(メタデータ) (2021-03-23T16:50:39Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - 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。