論文の概要: Multimodal contrastive learning for diagnosing cardiovascular diseases
from electrocardiography (ECG) signals and patient metadata
- arxiv url: http://arxiv.org/abs/2304.11080v1
- Date: Tue, 18 Apr 2023 05:51:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-30 07:56:03.682485
- Title: Multimodal contrastive learning for diagnosing cardiovascular diseases
from electrocardiography (ECG) signals and patient metadata
- Title(参考訳): 心電図信号と患者メタデータを用いた心血管疾患診断のためのマルチモーダルコントラスト学習
- Authors: Tue M. Cao, Nhat H. Tran, Phi Le Nguyen, Hieu Pham
- Abstract要約: 本研究は、心電図(ECG)信号による心血管疾患の診断における、コントラスト学習と深層学習の利用について論じる。
ECG信号は通常12個のリード(チャネル)を含むが、多くの医療施設やデバイスはこれらの12個のリードにアクセスできない。
本稿では,この課題にコントラスト学習を適用することができるかどうかを検証するための簡単な実験を紹介する。
- 参考スコア(独自算出の注目度): 19.298394335663478
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work discusses the use of contrastive learning and deep learning for
diagnosing cardiovascular diseases from electrocardiography (ECG) signals.
While the ECG signals usually contain 12 leads (channels), many healthcare
facilities and devices lack access to all these 12 leads. This raises the
problem of how to use only fewer ECG leads to produce meaningful diagnoses with
high performance. We introduce a simple experiment to test whether contrastive
learning can be applied to this task. More specifically, we added the
similarity between the embedding vectors when the 12 leads signal and the fewer
leads ECG signal to the loss function to bring these representations closer
together. Despite its simplicity, this has been shown to have improved the
performance of diagnosing with all lead combinations, proving the potential of
contrastive learning on this task.
- Abstract(参考訳): 本研究は、心電図(ECG)信号による心血管疾患の診断における、コントラスト学習と深層学習の利用について論じる。
ECG信号は通常12個のリード(チャネル)を含むが、多くの医療施設やデバイスはこれらの12個のリードにアクセスできない。
これにより、ECGを減らせば、高いパフォーマンスで有意義な診断ができるという問題が発生する。
この課題にコントラスト学習を適用することができるかどうかを検証するための簡単な実験を紹介する。
より具体的には、12個のリード信号と少ないリードECG信号の損失関数への類似性を加えて、これらの表現をより密結合させた。
単純さにもかかわらず、これはすべてのリードの組み合わせによる診断のパフォーマンスを改善し、このタスクにおけるコントラスト学習の可能性を証明することが示されている。
関連論文リスト
- Electrocardiogram Instruction Tuning for Report Generation [42.69952949416674]
心電図(ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。
最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。
LLMとマルチモーダル命令によるECGレポート生成に対処するMultimodal ECG Instruction Tuning(MEIT)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-07T23:20:56Z) - 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) - MVKT-ECG: Efficient Single-lead ECG Classification on Multi-Label
Arrhythmia by Multi-View Knowledge Transferring [27.034050939667534]
単誘導心電図のマルチラベル診断能力を高めるために,心電図の多視点知識伝達(MVKT-ECG)を提案する。
MVKT-ECGは、教師-学生パラダイムにおける指導信号として、このリードバリアントを許す。
単誘導心電図と粘誘導心電図の相互疾患情報を改善するために,新たにCLT(Contrastive Lead-information Transfering)を提案する。
論文 参考訳(メタデータ) (2023-01-28T12:28:39Z) - Enhancing Deep Learning-based 3-lead ECG Classification with Heartbeat
Counting and Demographic Data Integration [0.0]
本稿では,3段階のECG分類において,現在のディープラーニングシステムの性能向上のための2つの新しい手法を紹介する。
具体的には、心拍数回帰という形でのマルチタスク学習方式と、患者人口統計データをシステムに組み込む効果的なメカニズムを提案する。
これら2つの進歩により、2つの大規模ECGデータセットにおいて、F1スコアの0.9796と0.8140の分類性能を得た。
論文 参考訳(メタデータ) (2022-08-15T09:33:36Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳(メタデータ) (2022-07-04T13:15:08Z) - ECGT2T: Electrocardiogram synthesis from Two asynchronous leads to Ten
leads [0.7817685358710508]
2つの非同期リードから10リード(ECGT2T)へのECG合成のための深い生成モデルを提案する。
ECGT2Tが生成したリードのリズムと振幅は、元のリードと似ているが、この手法はノイズを除去し、ベースラインが元のリードに現れる。
論文 参考訳(メタデータ) (2021-02-28T09:23:17Z) - Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
心電図(ECG)信号から心疾患を視覚的に検出することは困難である。
自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
論文 参考訳(メタデータ) (2020-11-12T04:20:56Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳(メタデータ) (2020-10-21T18:11:36Z) - Interpretable Deep Learning for Automatic Diagnosis of 12-lead
Electrocardiogram [15.464768773761527]
12誘導心電図記録における心不整脈のマルチラベル分類のためのディープニューラルネットワークを開発した。
提案モデルでは、受信機動作特性曲線(AUC)0.970、F1スコア0.813の平均領域を達成した。
最も優れたリードは、12のリードのうち、リードI、aVR、V5である。
論文 参考訳(メタデータ) (2020-10-20T14:51:00Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳(メタデータ) (2020-05-06T15:19:15Z)
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。