Fugu-MT 論文翻訳(概要): Understanding of Normal and Abnormal Hearts by Phase Space Analysis and Convolutional Neural Networks

論文の概要: Understanding of Normal and Abnormal Hearts by Phase Space Analysis and Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2305.10450v1
Date: Tue, 16 May 2023 19:52:40 GMT
ステータス: 処理完了
システム内更新日: 2023-05-19 18:55:49.353008
Title: Understanding of Normal and Abnormal Hearts by Phase Space Analysis and Convolutional Neural Networks
Title（参考訳）: 位相空間解析と畳み込みニューラルネットワークによる正常心と異常心の理解
Authors: Bekir Yavuz Koc, Taner Arsan, Onder Pekcan
Abstract要約: 彼のPurkinjeネットワークは、正常な人間の心臓のパワースペクトルを分析するのに使われている。 CNNs法はMLIIで記録されたMIT-BIHデータベースを介して44レコードに適用される。バイナリCNN分類は、健康な心臓または不健康な心臓を決定するために用いられる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cardiac diseases are one of the leading mortality factors in modern, industrialized societies, which cause high expenses in public health systems. Due to high costs, developing analytical methods to improve cardiac diagnostics is essential. The heart's electric activity was first modeled using a set of nonlinear differential equations. Following this, variations of cardiac spectra originating from deterministic dynamics are investigated. Analyzing a normal human heart's power spectra offers His-Purkinje network, which possesses a fractal-like structure. Phase space trajectories are extracted from the time series electrocardiogram (ECG) graph with third-order derivate Taylor Series. Here in this study, phase space analysis and Convolutional Neural Networks (CNNs) method are applied to 44 records via the MIT-BIH database recorded with MLII. In order to increase accuracy, a straight line is drawn between the highest Q-R distance in the phase space images of the records. Binary CNN classification is used to determine healthy or unhealthy hearts. With a 90.90% accuracy rate, this model could classify records according to their heart status.
Abstract（参考訳）: 心臓病は近代的な工業化社会において主要な死亡要因の1つであり、公衆衛生システムに高い費用がかかる。高コストのため、心臓診断を改善する分析方法の開発が不可欠である。心臓の電気活動はまず非線形微分方程式を用いてモデル化された。次に、決定論的ダイナミクスに由来する心筋スペクトルの変動について検討する。正常な人間の心臓のパワースペクトルを分析し、フラクタルのような構造を持つHis-Purkinjeネットワークを提供する。第3次導出テイラー級数を有する時系列心電図(ecg)グラフから位相空間軌跡を抽出する。本研究では, mliiで記録したmit-bihデータベースを用いて, 44レコードに位相空間解析と畳み込みニューラルネットワーク(cnns)法を適用した。精度を高めるために、記録の位相空間画像における最高Q-R距離間の直線を描画する。バイナリCNN分類は、健康または不健康な心臓を決定するために用いられる。 90.90%の精度で、このモデルは心臓の状態に応じてレコードを分類できる。

関連論文リスト

CardiacNet: Learning to Reconstruct Abnormalities for Cardiac Disease Assessment from Echocardiogram Videos [10.06966396329022]
局所心構造と運動異常のより優れた表現を学習するために,CardiacNet という新しい再構築手法を提案する。 CardiacNet には Consistency deformation Codebook (CDC) と Consistency Deformed-Discriminator (CDD) が付属している。実験では、3つの心臓疾患評価タスクで最先端の結果が得られます。
論文参考訳（メタデータ） (2024-10-28T06:11:03Z)
A Personalised 3D+t Mesh Generative Model for Unveiling Normal Heart Dynamics [6.6350578770951385]
心臓の形状と運動パターンの分布を学習するために,条件付き生成モデルであるMeshHeartを開発した。 MeshHeartは、年齢、性別、体重、高さなどの臨床的要因を考慮して、3D+t心筋メッシュ配列を生成することができる。本稿では,個人化規範パターンから実際の心臓の偏差を定量化する,新しい距離測定式潜時デルタを提案する。
論文参考訳（メタデータ） (2024-09-20T18:08:37Z)
Phase Space Analysis of Cardiac Spectra [0.0]
本書は,正常心と異常心の2種類の心電図システムについて検討した。各人物のデータには、それぞれV_4とMLIIIの2つの信号が含まれている。 MLIII信号は、第1信号よりもD値が大きく、よりランダムでより多くの情報を予測することが観察された。
論文参考訳（メタデータ） (2023-06-27T12:37:21Z)
Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
論文参考訳（メタデータ） (2022-10-19T12:29:05Z)
A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文参考訳（メタデータ） (2022-08-29T05:01:04Z)
Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文参考訳（メタデータ） (2022-08-22T22:01:44Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
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)
Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。第2段階は、心拍を幅または幅に分類する分類NNである。第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文参考訳（メタデータ） (2020-11-17T16:15:49Z)
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 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)

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。