論文の概要: Exploring Best Practices for ECG Signal Processing in Machine Learning
- arxiv url: http://arxiv.org/abs/2311.04229v1
- Date: Thu, 2 Nov 2023 20:29:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-12 19:35:21.840606
- Title: Exploring Best Practices for ECG Signal Processing in Machine Learning
- Title（参考訳）: 機械学習におけるECG信号処理のベストプラクティスを探る
- Authors: Amir Salimi, Sunil Vasu Kalmady, Abram Hindle, Osmar Zaiane, Padma
Kaul
- Abstract要約: 最先端の機械学習アルゴリズムは心電図データを用いた心臓状態の分類において顕著な成果を上げている。
事前処理のベストプラクティスには合意がないようだ。
サンプリングレートを50Hz以下にすると、一般的に使用される500Hzに匹敵する結果が得られる。
- 参考スコア（独自算出の注目度）: 4.767323457354508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work we search for best practices in pre-processing of
Electrocardiogram (ECG) signals in order to train better classifiers for the
diagnosis of heart conditions. State of the art machine learning algorithms
have achieved remarkable results in classification of some heart conditions
using ECG data, yet there appears to be no consensus on pre-processing best
practices. Is this lack of consensus due to different conditions and
architectures requiring different processing steps for optimal performance? Is
it possible that state of the art deep-learning models have rendered
pre-processing unnecessary? In this work we apply down-sampling, normalization,
and filtering functions to 3 different multi-label ECG datasets and measure
their effects on 3 different high-performing time-series classifiers. We find
that sampling rates as low as 50Hz can yield comparable results to the commonly
used 500Hz. This is significant as smaller sampling rates will result in
smaller datasets and models, which require less time and resources to train.
Additionally, despite their common usage, we found min-max normalization to be
slightly detrimental overall, and band-passing to make no measurable
difference. We found the blind approach to pre-processing of ECGs for
multi-label classification to be ineffective, with the exception of sample rate
reduction which reliably reduces computational resources, but does not increase
accuracy.
- Abstract（参考訳）: 本研究は心電図(ECG)信号の事前処理におけるベストプラクティスを探り,心臓疾患診断のためのより良い分類器の訓練を行う。
最先端の機械学習アルゴリズムは、心電図データを用いた心臓状態の分類において顕著な成果を上げているが、前処理のベストプラクティスには合意がないようだ。
異なる条件とアーキテクチャによるコンセンサス不足は、最適なパフォーマンスのために異なる処理ステップを必要とするか?
ディープラーニングモデルの現状が事前処理を不要にした可能性はあるのか?
本研究では,マルチラベル心電図データセットにダウンサンプリング,正規化,フィルタリング機能を適用し,その効果を3種類の高パフォーマンス時系列分類器に適用した。
サンプリングレートを50Hz以下にすると、一般的に使用される500Hzに匹敵する結果が得られる。
サンプリングレートが小さいとデータセットやモデルが小さくなり、トレーニングに要する時間とリソースが削減されるため、これは重要なことです。
さらに,min-max正規化は全体としてはやや不利であり,帯域通過は測定可能な差を生じないことがわかった。
マルチラベル分類のためのECGの事前処理に対する盲目的アプローチは,計算資源を確実に削減するサンプルレートの削減を除いて有効ではないが,精度は向上しない。
関連論文リスト
- An Efficient and Flexible Deep Learning Method for Signal Delineation via Keypoints Estimation [4.2807943283312095]
本稿では,キーポイント推定のための新しいDLモデルであるKEED(Keypoint Estimation for Electrocardiogram Delineation)を提案する。
KEEDは、臨床的な期待に沿ったアウトプットを有機的に提供する。
注目すべきは、非常に限定的な注釈付きデータで最適化されているにもかかわらず、KEEDは大幅にパフォーマンスが向上していることだ。
論文 参考訳（メタデータ） (2024-07-24T08:13:10Z) - Long-term stable Electromyography classification using Canonical
Correlation Analysis [5.949779668853555]
表面筋電図(sEMG)信号に基づく手のジェスチャーの識別は、補綴器を制御するための確立されたアプローチである。
最も重要な課題の1つは、復号システムを再訓練することなく、数日にわたって高いEMGデータ分類性能を維持することである。
本稿では, 補綴装置の長期制御のために, 複数日にわたってEMG分類性能を安定させる新しい統計手法を提案する。
論文 参考訳（メタデータ） (2023-01-23T21:45:00Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%～6%向上させる。
論文 参考訳（メタデータ） (2022-11-29T14:52:38Z) - ScoreMix: A Scalable Augmentation Strategy for Training GANs with
Limited Data [93.06336507035486]
GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。
ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
論文 参考訳（メタデータ） (2022-10-27T02:55:15Z) - Classification and Self-Supervised Regression of Arrhythmic ECG Signals
Using Convolutional Neural Networks [13.025714736073489]
回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。
我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
論文 参考訳（メタデータ） (2022-10-25T18:11:13Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy
Image Compression Systems [73.48927855855219]
近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。
本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
論文 参考訳（メタデータ） (2022-01-27T19:47:51Z) - Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。
以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
論文 参考訳（メタデータ） (2021-12-05T20:28:55Z) - Multistage Pruning of CNN Based ECG Classifiers for Edge Devices [9.223908421919733]
畳み込みニューラルネットワーク(CNN)に基づくディープラーニングは、ECGの異常なビートを検出するのに成功している。
既存のCNNモデルの計算複雑性は、低消費電力エッジデバイスに実装することを禁止している。
本稿では,CNNモデルの複雑性を低減し,性能を損なうことなく,新たなマルチステージプルーニング手法を提案する。
論文 参考訳（メタデータ） (2021-08-31T17:51:15Z) - 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)
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。