論文の概要: ECGBERT: Understanding Hidden Language of ECGs with Self-Supervised
Representation Learning
- arxiv url: http://arxiv.org/abs/2306.06340v1
- Date: Sat, 10 Jun 2023 04:23:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 19:34:11.247302
- Title: ECGBERT: Understanding Hidden Language of ECGs with Self-Supervised
Representation Learning
- Title(参考訳): ECGBERT:自己監督型表現学習によるECGの隠れ言語理解
- Authors: Seokmin Choi, Sajad Mousavi, Phillip Si, Haben G. Yhdego, Fatemeh
Khadem, Fatemeh Afghah
- Abstract要約: ECGBERTは、ECGの基本言語をアンロックする自己教師付き表現学習アプローチである。
我々は,ECGBERTが様々なタスクで最先端の成果を得られる可能性を実証する。
- 参考スコア(独自算出の注目度): 6.0106590095197605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the medical field, current ECG signal analysis approaches rely on
supervised deep neural networks trained for specific tasks that require
substantial amounts of labeled data. However, our paper introduces ECGBERT, a
self-supervised representation learning approach that unlocks the underlying
language of ECGs. By unsupervised pre-training of the model, we mitigate
challenges posed by the lack of well-labeled and curated medical data. ECGBERT,
inspired by advances in the area of natural language processing and large
language models, can be fine-tuned with minimal additional layers for various
ECG-based problems. Through four tasks, including Atrial Fibrillation
arrhythmia detection, heartbeat classification, sleep apnea detection, and user
authentication, we demonstrate ECGBERT's potential to achieve state-of-the-art
results on a wide variety of tasks.
- Abstract(参考訳): 医学分野では、現在のECG信号分析アプローチは、大量のラベル付きデータを必要とする特定のタスクのために訓練された教師付きディープニューラルネットワークに依存している。
しかし,本稿では,ECGの基本言語を開放する自己教師型表現学習手法であるECGBERTを紹介する。
モデルの教師なし事前トレーニングにより、十分にラベル付けされた医療データの不足による課題を軽減する。
ECGBERTは自然言語処理と大規模言語モデルの進歩に触発され、様々なECGベースの問題に対して最小限の追加レイヤで微調整することができる。
心房細動不整脈検出,心拍分類,睡眠時無呼吸検出,ユーザ認証の4つのタスクを通じて,多種多様なタスクにおいて,ECGBERTの最先端性を実現する可能性を実証した。
関連論文リスト
- 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) - ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method
for ECG signal [19.885905393439014]
本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。
この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。
提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
論文 参考訳(メタデータ) (2023-10-01T23:17:55Z) - 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) - Automated Cardiovascular Record Retrieval by Multimodal Learning between
Electrocardiogram and Clinical Report [28.608260758775316]
本稿では,Large Language Models (LLM) と Vision-Transformer (ViT) モデルにおける最近のブレークスルーを活用し,ECGの解釈に新たなアプローチを導入する。
入力ECGデータに基づいて,最も類似した症例を自動的に同定する手法を提案する。
本研究は,未開発地域において診断サービスを提供する上で重要な資源となる可能性がある。
論文 参考訳(メタデータ) (2023-04-13T06:32:25Z) - ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on
Continual Learning [20.465733855762835]
心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。
古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。
本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
論文 参考訳(メタデータ) (2023-04-10T15:19:00Z) - A Deep Learning Approach for the Segmentation of Electroencephalography
Data in Eye Tracking Applications [56.458448869572294]
脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。
エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。
我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
論文 参考訳(メタデータ) (2022-06-17T10:17:24Z) - Interpretable ECG classification via a query-based latent space
traversal (qLST) [0.0]
我々は,任意のECG分類モデルに対して説明を提供する,qLSTと呼ばれる新しい解釈可能性手法を提案する。
qLSTを用いて、大規模な大学病院のデータセットに基づいてトレーニングされた変分オートエンコーダの潜時空間での移動を学ぶニューラルネットワークを訓練する。
論文 参考訳(メタデータ) (2021-11-14T16:49:26Z) - 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) - 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) - 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。