論文の概要: Local-Global Temporal Fusion Network with an Attention Mechanism for
Multiple and Multiclass Arrhythmia Classification
- arxiv url: http://arxiv.org/abs/2308.02416v2
- Date: Fri, 13 Oct 2023 07:44:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 01:24:46.893724
- Title: Local-Global Temporal Fusion Network with an Attention Mechanism for
Multiple and Multiclass Arrhythmia Classification
- Title(参考訳): マルチクラス不整脈分類のための注意機構を備えた局所的グローバル時間融合ネットワーク
- Authors: Yun Kwan Kim, Minji Lee, Kunwook Jo, Hee Seok Song, and Seong-Whan Lee
- Abstract要約: 本研究では, (i) 局所時間情報抽出, (ii) グローバルパターン抽出, (iii) 局所グローバル情報融合からなるフレームワークを提案する。
提案手法は,情報損失を発生させることなく,ローカル・グローバル情報やダイナミクスをキャプチャできる。
- 参考スコア(独自算出の注目度): 26.31920663404757
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clinical decision support systems (CDSSs) have been widely utilized to
support the decisions made by cardiologists when detecting and classifying
arrhythmia from electrocardiograms (ECGs). However, forming a CDSS for the
arrhythmia classification task is challenging due to the varying lengths of
arrhythmias. Although the onset time of arrhythmia varies, previously developed
methods have not considered such conditions. Thus, we propose a framework that
consists of (i) local temporal information extraction, (ii) global pattern
extraction, and (iii) local-global information fusion with attention to perform
arrhythmia detection and classification with a constrained input length. The
10-class and 4-class performances of our approach were assessed by detecting
the onset and offset of arrhythmia as an episode and the duration of arrhythmia
based on the MIT-BIH arrhythmia database (MITDB) and MIT-BIH atrial
fibrillation database (AFDB), respectively. The results were statistically
superior to those achieved by the comparison models. To check the
generalization ability of the proposed method, an AFDB-trained model was tested
on the MITDB, and superior performance was attained compared with that of a
state-of-the-art model. The proposed method can capture local-global
information and dynamics without incurring information losses. Therefore,
arrhythmias can be recognized more accurately, and their occurrence times can
be calculated; thus, the clinical field can create more accurate treatment
plans by using the proposed method.
- Abstract(参考訳): 心電図(ECGs)から不整脈を検出し分類する際に, 臨床診断支援システム(CDSSs)が心臓科医の意思決定を支援するために広く利用されている。
しかし,不整脈長の異なるため,不整脈分類作業のためのCDSSの作成は困難である。
不整脈の発症時間は異なるが、従来開発された手法ではそのような状態は考慮されていない。
そこで,我々は,その枠組みを提案する。
(i)局所時間情報抽出
(ii)グローバルパターン抽出、及び
3)不整脈検出と入力長の制約による分類を行うため,注意を伴う地域・地域情報融合を行う。
MIT-BIH arrhythmia database (MITDB) とMIT-BIH atrial fibrillation database (AFDB) を用いて, 不整脈の発症と発症と不整脈の持続時間を検出することで, アプローチの10クラスと4クラスの成績を評価した。
その結果,比較モデルで得られた結果よりも統計的に優れていた。
提案手法の一般化能力を確認するため,MITDB上でAFDB訓練モデルを試験し,最先端モデルと比較して優れた性能を得た。
提案手法は,情報損失を発生させることなく,ローカル・グローバル情報やダイナミクスをキャプチャできる。
したがって、不整脈をより正確に認識でき、その発生時間を算出できるので、提案法を用いてより正確な治療計画を作成することができる。
関連論文リスト
- Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳(メタデータ) (2023-10-24T11:34:15Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - Deep learning based ECG segmentation for delineation of diverse
arrhythmias [0.0]
本研究は、ECGデライン化のためのU-Netライクなセグメンテーションモデルを導入することで、既存の研究に基づいている。
主な貢献は、異なる不整脈型のセグメンテーションモデル障害の特定、多様なトレーニングセットを用いた堅牢なモデルの開発、および特定の不整脈に対する偽P波予測を減らすための分類誘導戦略の導入である。
論文 参考訳(メタデータ) (2023-04-13T03:20:45Z) - 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) - 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) - 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) - Global ECG Classification by Self-Operational Neural Networks with
Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。
我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。
提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文 参考訳(メタデータ) (2022-04-07T22:49:18Z) - Weakly Supervised Arrhythmia Detection Based on Deep Convolutional
Neural Network [5.967433492643221]
教師付き深層学習は自動心電図分類の研究に広く用いられている。
既存の大規模なECGデータセットのほとんどは、ほぼ注釈付きであるため、トレーニングされた分類モデルは、記録全体における異常の存在のみを検出することができます。
本研究では,異常心電図とその発生時間を検出するための弱教師付き深層学習モデルを提案する。
論文 参考訳(メタデータ) (2020-12-10T12:59:33Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
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。