論文の概要: Subject-based Non-contrastive Self-Supervised Learning for ECG Signal Processing

• arxiv url: http://arxiv.org/abs/2305.10347v1
• Date: Fri, 12 May 2023 13:30:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-21 10:44:47.838044
• Title: Subject-based Non-contrastive Self-Supervised Learning for ECG Signal Processing
• Title（参考訳）: ECG信号処理のための主観的非コントラスト自己監督学習
• Authors: Adrian Atienza, Jakob Bardram, Sadasivan Puthusserypady
• Abstract要約: データ拡張も負ペアも使用せず、ECG信号の理解に役立てる初の自己教師型学習(SSL)手法を提案する。 その結果、2つの入力間の類似性をキャプチャするだけでなく、データの完全理解のために相似性をキャプチャするSSLメソッドを設計できる。
• 参考スコア（独自算出の注目度）: 7.638042073679075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extracting information from the electrocardiography (ECG) signal is an essential step in the design of digital health technologies in cardiology. In recent years, several machine learning (ML) algorithms for automatic extraction of information in ECG have been proposed. Supervised learning methods have successfully been used to identify specific aspects in the signal, like detection of rhythm disorders (arrhythmias). Self-supervised learning (SSL) methods, on the other hand, can be used to extract all the features contained in the data. The model is optimized without any specific goal and learns from the data itself. By adapting state-of-the-art computer vision methodologies to the signal processing domain, a few SSL approaches have been reported recently for ECG processing. However, such SSL methods require either data augmentation or negative pairs, which limits the method to only look for similarities between two ECG inputs, either two versions of the same signal or two signals from the same subject. This leads to models that are very effective at extracting characteristics that are stable in a subject, such as gender or age. But they are not successful at capturing changes within the ECG recording that can explain dynamic aspects, like different arrhythmias or different sleep stages. In this work, we introduce the first SSL method that uses neither data augmentation nor negative pairs for understanding ECG signals, and still, achieves comparable quality representations. As a result, it is possible to design a SSL method that not only captures similarities between two inputs, but also captures dissimilarities for a complete understanding of the data. In addition, a model based on transformer blocks is presented, which produces better results than a model based on convolutional layers (XResNet50) with almost the same number of parameters.
• Abstract（参考訳）: 心電図(ECG)信号から情報を抽出することは、心臓医学におけるデジタルヘルス技術の設計における重要なステップである。 近年,ECGにおける情報の自動抽出のための機械学習アルゴリズムがいくつか提案されている。 教師付き学習法は、リズム障害(不整脈)の検出など、信号の特定の側面を特定するのに成功している。 一方、自己教師付き学習(SSL)メソッドは、データに含まれるすべての機能を抽出するために使用することができる。 モデルは特定の目標なしに最適化され、データ自体から学習される。 最先端のコンピュータビジョン手法を信号処理領域に適用することにより、最近のECG処理におけるSSLアプローチが報告されている。 しかし、これらのSSLメソッドはデータ拡張または負のペアを必要とするため、2つのECG入力(同じ信号の2つのバージョンか、同じ対象の2つの信号)の類似性のみを求めることができる。 これは、性別や年齢などの被写体で安定している特徴を抽出するのに非常に効果的なモデルをもたらす。 しかし彼らは、異なる不整脈や異なる睡眠段階など、ダイナミックな側面を説明できるECG記録の変化を捉えることに成功していない。 本研究では,ECG信号の理解にデータ拡張も負のペアも使用せず,同等の品質の表現を実現する最初のSSL手法を提案する。 その結果、2つの入力間の類似性をキャプチャするだけでなく、データの完全理解のために相似性をキャプチャするSSLメソッドを設計できる。 さらに、変圧器ブロックに基づくモデルが提示され、ほぼ同じ数のパラメータを持つ畳み込み層(XResNet50)に基づくモデルよりも優れた結果が得られる。

関連論文リスト

• Flexible framework for generating synthetic electrocardiograms and photoplethysmograms [1.023858929087312]
  心電図 (ECG) と光麻痺 (mography) の2つの信号モダリティのための合成生体信号モデルを開発した。 このモデルは、呼吸調節や身体的ストレスによる心拍の変化などの生理的効果を考慮に入れた現実的な信号を生成する。 我々は,MIT-BIH arrythmia セットと新しいジェネレータの実際の心電図信号を用いて,心電図Rピークを検出するLSTMを訓練した。
  論文  参考訳（メタデータ） (2024-08-29T06:48:07Z)
• Enhancing Electrocardiogram Signal Analysis Using NLP-Inspired Techniques: A Novel Approach with Embedding and Self-Attention [2.7651063843287718]
  埋め込みと自己注意に基づく新しい心電図解析手法を提案し,心電図データの空間的および時間的依存性を捉える。 91%の精度でF1スコアが得られた。
  論文  参考訳（メタデータ） (2024-07-15T12:20:15Z)
• Intra-video Positive Pairs in Self-Supervised Learning for Ultrasound [65.23740556896654]
  自己教師付き学習 (SSL) は, 医療画像におけるラベル付きデータの健全性に対処するための戦略である。 本研究では,同じBモード超音波映像をSSLのペアとして用いた近位画像の利用効果について検討した。 この手法は、従来の超音波特異的比較学習法の平均検査精度を新型コロナウイルスの分類で上回り、IVPP(Intra-Video Positive Pairs)と命名された。
  論文  参考訳（メタデータ） (2024-03-12T14:57:57Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Analysis of Augmentations for Contrastive ECG Representation Learning [17.467589890017123]
  本稿では,心電図(ECG)信号のコントラスト学習における各種拡張の有効性を系統的に検討する。 PTB-XLは、大規模で公開されている12リードのECGデータセットである。
  論文  参考訳（メタデータ） (2022-05-30T20:41:59Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• 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)
• SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
  ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。 我々は,マルチリード信号を2次元行列として扱うことを提案する。 提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
  論文  参考訳（メタデータ） (2020-12-10T08:37:44Z)
• 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)
• 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)

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。