論文の概要: RawECGNet: Deep Learning Generalization for Atrial Fibrillation
Detection from the Raw ECG
- arxiv url: http://arxiv.org/abs/2401.05411v1
- Date: Tue, 26 Dec 2023 09:14:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:35:19.127906
- Title: RawECGNet: Deep Learning Generalization for Atrial Fibrillation
Detection from the Raw ECG
- Title(参考訳): RawECGNet:Raw ECGからの心房細動検出のためのディープラーニング一般化
- Authors: Noam Ben-Moshe, Kenta Tsutsui, Shany Biton, Leif S\"ornmo, Joachim A.
Behar
- Abstract要約: 単誘導心電図を用いて心房細動(AF)のエピソードを検出するための深層学習モデルRawECGNetを開発した。
地理的・民族的・リード位置の分布変化を考慮した2つの外部データセットにおけるRawECGNetの性能を比較した。
その結果、RawECGNetはAFとAFlのエピソードを検出するための高性能で一般化可能なアルゴリズムであることがわかった。
- 参考スコア(独自算出の注目度): 0.9463935247576184
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Introduction: Deep learning models for detecting episodes of atrial
fibrillation (AF) using rhythm information in long-term, ambulatory ECG
recordings have shown high performance. However, the rhythm-based approach does
not take advantage of the morphological information conveyed by the different
ECG waveforms, particularly the f-waves. As a result, the performance of such
models may be inherently limited. Methods: To address this limitation, we have
developed a deep learning model, named RawECGNet, to detect episodes of AF and
atrial flutter (AFl) using the raw, single-lead ECG. We compare the
generalization performance of RawECGNet on two external data sets that account
for distribution shifts in geography, ethnicity, and lead position. RawECGNet
is further benchmarked against a state-of-the-art deep learning model, named
ArNet2, which utilizes rhythm information as input. Results: Using RawECGNet,
the results for the different leads in the external test sets in terms of the
F1 score were 0.91--0.94 in RBDB and 0.93 in SHDB, compared to 0.89--0.91 in
RBDB and 0.91 in SHDB for ArNet2. The results highlight RawECGNet as a
high-performance, generalizable algorithm for detection of AF and AFl episodes,
exploiting information on both rhythm and morphology.
- Abstract(参考訳): 紹介:長期心電図記録におけるリズム情報を用いた心房細動(AF)のエピソード検出のための深層学習モデルは高い性能を示した。
しかし、リズムに基づくアプローチでは、異なるecg波形、特にf波によって伝達される形態情報を活用できない。
その結果、そのようなモデルの性能は本質的に制限される。
方法: この制限に対処するために,rawecgnetというディープラーニングモデルを開発し,生の単一リード心電図を用いてafと心房粗動(afl)のエピソードを検出する。
地理的・民族的・リード位置の分布変化を考慮した2つの外部データセット上でのRawECGNetの一般化性能を比較した。
RawECGNetはさらに、リズム情報を入力として利用するArNet2という最先端のディープラーニングモデルに対してベンチマークされている。
結果:RawECGNetを用いて, RBDBでは0.91-0.94, SHDBでは0.89-0.91, ArNet2では0.91-0.94であった。
その結果、RawECGNetは、AFとAFlのエピソードを検出するための高性能で一般化可能なアルゴリズムであり、リズムと形態の両方の情報を利用することがわかった。
関連論文リスト
- 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) - ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-07-02T10:39:29Z) - Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。
これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。
F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
論文 参考訳(メタデータ) (2023-04-13T03:20:45Z) - Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。
UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文 参考訳(メタデータ) (2022-06-21T01:46:38Z) - 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) - 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) - Robust R-Peak Detection in Low-Quality Holter ECGs using 1D
Convolutional Neural Network [20.198563425074372]
本論文ではホルターECG信号におけるRピーク検出のための汎用かつ堅牢なシステムを提案する。
1D Convolutional Neural Network(CNN)の新しい実装は、誤報の数を減らすために検証モデルと統合されています。
実験の結果,CPSC-DBでは99.30%のF1スコア,99.69%のリコール,98.91%の精度が得られた。
論文 参考訳(メタデータ) (2020-12-29T21:10:54Z) - 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) - SE-ECGNet: A Multi-scale Deep Residual Network with
Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。
我々は,マルチリード信号を2次元行列として扱うことを提案する。
提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文 参考訳(メタデータ) (2020-12-10T08:37:44Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - 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。