論文の概要: Masked Transformer for Electrocardiogram Classification
- arxiv url: http://arxiv.org/abs/2309.07136v3
- Date: Tue, 23 Apr 2024 01:39:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 20:04:56.876507
- Title: Masked Transformer for Electrocardiogram Classification
- Title(参考訳): 心電図分類のためのマスク変圧器
- Authors: Ya Zhou, Xiaolin Diao, Yanni Huo, Yang Liu, Xiaohan Fan, Wei Zhao,
- Abstract要約: MTECG(Masked Transformer for ECG classification)は、ECG分類における最新の最先端アルゴリズムを著しく上回る、単純かつ効果的な手法である。
220,251個の心電図記録と広範囲の診断を行い,医療専門家が注釈を付した不破井データセットを構築した。
- 参考スコア(独自算出の注目度): 7.229662895786343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrocardiogram (ECG) is one of the most important diagnostic tools in clinical applications. With the advent of advanced algorithms, various deep learning models have been adopted for ECG tasks. However, the potential of Transformer for ECG data has not been fully realized, despite their widespread success in computer vision and natural language processing. In this work, we present Masked Transformer for ECG classification (MTECG), a simple yet effective method which significantly outperforms recent state-of-the-art algorithms in ECG classification. Our approach adapts the image-based masked autoencoders to self-supervised representation learning from ECG time series. We utilize a lightweight Transformer for the encoder and a 1-layer Transformer for the decoder. The ECG signal is split into a sequence of non-overlapping segments along the time dimension, and learnable positional embeddings are added to preserve the sequential information. We construct the Fuwai dataset comprising 220,251 ECG recordings with a broad range of diagnoses, annotated by medical experts, to explore the potential of Transformer. A strong pre-training and fine-tuning recipe is proposed from the empirical study. The experiments demonstrate that the proposed method increases the macro F1 scores by 3.4%-27.5% on the Fuwai dataset, 9.9%-32.0% on the PTB-XL dataset, and 9.4%-39.1% on a multicenter dataset, compared to the alternative methods. We hope that this study could direct future research on the application of Transformer to more ECG tasks.
- Abstract(参考訳): 心電図(ECG)は臨床応用において最も重要な診断ツールの一つである。
高度なアルゴリズムの出現に伴い、ECGタスクに様々なディープラーニングモデルが採用されている。
しかし、コンピュータビジョンや自然言語処理で広く成功したにもかかわらず、ECGデータに対するTransformerの可能性は完全には実現されていない。
本稿では,ECG分類における最新の最先端アルゴリズムを著しく上回る簡易かつ効果的な手法であるMasked Transformer for ECG Classification (MTECG)を提案する。
提案手法は,画像ベースのマスク付きオートエンコーダをECG時系列からの自己教師付き表現学習に適用する。
我々は、エンコーダに軽量トランスフォーマー、デコーダに1層トランスフォーマーを利用する。
ECG信号を時間次元に沿って重複しないセグメントのシーケンスに分割し、シーケンシャル情報を保存するために学習可能な位置埋め込みを追加する。
本研究では,220,251個の心電図記録を医療専門家が注釈した広い範囲の診断で構成し,Transformerの可能性を探るため,布井データセットを構築した。
実証実験から, 優れた事前学習と微調整のレシピを提案する。
実験により,提案手法は,フウェーデータセットで3.4%-27.5%,TB-XLデータセットで9.9%-32.0%,マルチセンタデータセットで9.4%-39.1%のマクロF1スコアを,代替手法と比較して増加させた。
本研究は今後,より多くのECGタスクへのTransformerの適用について研究を進めていくことを期待する。
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) - 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) - 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) - Performer: A Novel PPG to ECG Reconstruction Transformer For a Digital
Biomarker of Cardiovascular Disease Detection [0.0]
心臓血管疾患(CVD)は死因の上位1つとなり、これらの死亡の4分の3は低所得層で発生している。
心電図 (ECG) は, ユーザ参加の必要性から, 連続心臓モニタリングには有効ではない。
フォトプレチスモグラフィーは容易に収集できるが、精度の制限により臨床応用は制限される。
論文 参考訳(メタデータ) (2022-04-25T17:10:13Z) - 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) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - 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。