論文の概要: SiamAF: Learning Shared Information from ECG and PPG Signals for Robust
Atrial Fibrillation Detection
- arxiv url: http://arxiv.org/abs/2310.09203v2
- Date: Fri, 8 Mar 2024 19:11:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 15:51:26.632926
- Title: SiamAF: Learning Shared Information from ECG and PPG Signals for Robust
Atrial Fibrillation Detection
- Title（参考訳）: siamaf:心電図およびppg信号からの共有情報学習によるロバスト心房細動検出
- Authors: Zhicheng Guo, Cheng Ding, Duc H. Do, Amit Shah, Randall J. Lee, Xiao
Hu, Cynthia Rudin
- Abstract要約: 心房細動 (AF) は心不整脈の最も一般的なタイプである。
脳卒中、心不全、その他の心血管合併症のリスクが高まるが、臨床的には沈黙することがある。
現在のディープラーニングモデルは、心電図(ECG)または光胸波(PPG)信号のどちらかの単一のモードから学習する。
我々は,新しいSiameseネットワークアーキテクチャと共同学習損失関数を活用して,ECG信号とPSG信号の両方から学習するSiamAFという新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 18.014439380551824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Atrial fibrillation (AF) is the most common type of cardiac arrhythmia. It is
associated with an increased risk of stroke, heart failure, and other
cardiovascular complications, but can be clinically silent. Passive AF
monitoring with wearables may help reduce adverse clinical outcomes related to
AF. Detecting AF in noisy wearable data poses a significant challenge, leading
to the emergence of various deep learning techniques. Previous deep learning
models learn from a single modality, either electrocardiogram (ECG) or
photoplethysmography (PPG) signals. However, deep learning models often
struggle to learn generalizable features and rely on features that are more
susceptible to corruption from noise, leading to sub-optimal performances in
certain scenarios, especially with low-quality signals. Given the increasing
availability of ECG and PPG signal pairs from wearables and bedside monitors,
we propose a new approach, SiamAF, leveraging a novel Siamese network
architecture and joint learning loss function to learn shared information from
both ECG and PPG signals. At inference time, the proposed model is able to
predict AF from either PPG or ECG and outperforms baseline methods on three
external test sets. It learns medically relevant features as a result of our
novel architecture design. The proposed model also achieves comparable
performance to traditional learning regimes while requiring much fewer training
labels, providing a potential approach to reduce future reliance on manual
labeling.
- Abstract（参考訳）: 心房細動 (AF) は心不整脈の最も一般的なタイプである。
脳卒中、心不全、その他の心血管合併症のリスクの増加と関連があるが、臨床的に沈黙することができる。
ウェアラブルを用いたパッシブAFモニタリングは、AFに関する有害な臨床結果を減らすのに役立つかもしれない。
ノイズの多いウェアラブルデータでAFを検出することは大きな課題となり、様々なディープラーニング技術が出現する。
これまでのディープラーニングモデルは、心電図(ecg)またはフォトプレチモグラフィ(ppg)信号の1つのモダリティから学習する。
しかし、ディープラーニングモデルは、一般化可能な機能を学ぶのに苦労することが多く、ノイズによる汚職の影響を受けやすい機能に依存しているため、特定のシナリオ、特に低品質な信号において、準最適パフォーマンスにつながる。
ウェアラブルとベッドサイドモニターからECGとPSGの信号ペアが利用可能になるにつれて、我々は新しいSiamAFアプローチを提案し、新しいSiameseネットワークアーキテクチャと共同学習損失関数を活用してECGとPGの信号から共有情報を学ぶ。
推定時,提案モデルはPSGまたはECGからAFを予測することができ,3つの外部テストセットのベースライン手法より優れている。
新たなアーキテクチャ設計の結果、医学的に関連する特徴を学習します。
提案したモデルは、従来の学習体系に匹敵するパフォーマンスを達成しつつ、トレーニングラベルをはるかに少なくし、手動ラベリングへの依存を減らすための潜在的アプローチを提供する。
関連論文リスト
- ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。
新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。
DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
論文 参考訳（メタデータ） (2024-07-25T13:27:10Z) - NERULA: A Dual-Pathway Self-Supervised Learning Framework for Electrocardiogram Signal Analysis [5.8961928852930034]
本稿では,シングルリードECG信号を対象とした自己教師型フレームワークNERULAを提案する。
NERULAのデュアルパスウェイアーキテクチャは、心電図再構成と非コントラスト学習を組み合わせて、詳細な心臓の特徴を抽出する。
学習スペクトルに生成経路と識別経路を組み合わせることで、様々なタスクにおいて最先端の自己教師付き学習ベンチマークより優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2024-05-21T14:01:57Z) - SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。
光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。
本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
論文 参考訳（メタデータ） (2024-04-15T01:07:08Z) - DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography [37.32413956117856]
本研究では,End-Diastolic (ED) フレームとEnd-Systolic (ES) フレームを識別するための教師なしおよびトレーニング不要な手法を提案する。
アンカー点の同定と方向変形解析により,初期セグメンテーション画像の精度への依存性を効果的に低減する。
本手法は,学習モデルと同等の精度を,関連する欠点を伴わずに達成する。
論文 参考訳（メタデータ） (2024-03-19T14:51:01Z) - Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals [4.056982620027252]
単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。
また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
論文 参考訳（メタデータ） (2024-02-12T11:04:08Z) - 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) - 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) - SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。
注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文 参考訳（メタデータ） (2022-10-31T07:36:48Z) - 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) - DRNet: Decomposition and Reconstruction Network for Remote Physiological
Measurement [39.73408626273354]
既存の方法は一般に2つのグループに分けられる。
1つ目は、顔ビデオから微妙な音量パルス(BVP)信号を抽出することに焦点を当てているが、顔ビデオコンテンツを支配するノイズを明示的にモデル化することはめったにない。
第二に、ノイズの多いデータを直接モデリングすることに焦点を当てており、これらの厳密なランダムノイズの規則性の欠如により、最適以下の性能が得られる。
論文 参考訳（メタデータ） (2022-06-12T07:40:10Z) - Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。
我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。
提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-04-02T02:09:11Z)
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。