論文の概要: Advancements in Continuous Glucose Monitoring: Integrating Deep Learning and ECG Signal

• arxiv url: http://arxiv.org/abs/2403.07296v1
• Date: Tue, 12 Mar 2024 03:57:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 22:50:27.926323
• Title: Advancements in Continuous Glucose Monitoring: Integrating Deep Learning and ECG Signal
• Title（参考訳）: 連続グルコースモニタリングの進歩:深層学習と心電図信号の統合
• Authors: MohammadReza Hosseinzadehketilateh, Banafsheh Adami, Nima Karimian
• Abstract要約: 本稿では, 心電図(ECG)を用いた非侵襲性高血糖モニタリングへの新しいアプローチを提案する。 我々は、様々な空間的位置における重要な特徴を特定し、各畳み込み層内の異なる特徴間の相互依存性を調べる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設計した。 提案アルゴリズムは、曲線(AUC)下の91.60%の領域、81.05%の感度、85.54%の特異性を持つ高血糖を効果的に検出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel approach to noninvasive hyperglycemia monitoring utilizing electrocardiograms (ECG) from an extensive database comprising 1119 subjects. Previous research on hyperglycemia or glucose detection using ECG has been constrained by challenges related to generalization and scalability, primarily due to using all subjects' ECG in training without considering unseen subjects as a critical factor for developing methods with effective generalization. We designed a deep neural network model capable of identifying significant features across various spatial locations and examining the interdependencies among different features within each convolutional layer. To expedite processing speed, we segment the ECG of each user to isolate one heartbeat or one cycle of the ECG. Our model was trained using data from 727 subjects, while 168 were used for validation. The testing phase involved 224 unseen subjects, with a dataset consisting of 9,000 segments. The result indicates that the proposed algorithm effectively detects hyperglycemia with a 91.60% area under the curve (AUC), 81.05% sensitivity, and 85.54% specificity.
• Abstract（参考訳）: 本稿では,1119名からなる広範なデータベースから心電図(ecg)を用いた非侵襲的高血糖モニタリングへの新しいアプローチを提案する。 ECGを用いた高血糖, グルコース検出に関する研究は, 全被験者の心電図を効果的に一般化する手法を開発する上で重要な要因として考慮することなく, 訓練に利用することによる, 一般化と拡張性に関する課題に制約されている。 我々は,様々な空間上の特徴を識別し,各畳み込み層内の特徴間の相互依存性を検証可能な深層ニューラルネットワークモデルを設計した。 処理速度を高速化するため,各ユーザの心電図を分割し,心電図の1つの心拍または1つの周期を分離する。 このモデルは727名の被験者のデータを用いて訓練され、168名が検証に使用された。 テストフェーズでは、224名の未確認被験者が参加し、データセットは9000のセグメントで構成された。 その結果,曲線(AUC)下で91.60%,感度81.05%,特異性85.54%で高血糖を効果的に検出できることがわかった。

関連論文リスト

• An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains [17.809094003643523]
  我々はECG解析の診断能力を拡大するECGファウンデーションモデル(ECGFounder)を導入する。 ECGFounderは、Harvard-Emory ECG Databaseから150のラベルカテゴリを持つ1000万以上のECGでトレーニングされた。 AUROCは80の診断で0.95を超える。
  論文  参考訳（メタデータ） (2024-10-05T12:12:02Z)
• Self-supervised Anomaly Detection Pretraining Enhances Long-tail ECG Diagnosis [32.37717219026923]
  現在のコンピュータ支援心電図診断システムでは, まれながら重要な心疾患の診断に苦慮している。 本研究は、この制限に対処するために、自己教師付き異常検出プリトレーニングを用いた新しいアプローチを提案する。 異常検出モデルは、正常な心臓パターンからの微妙な偏差を検出し、局所化するように設計されている。
  論文  参考訳（メタデータ） (2024-08-30T09:48:47Z)
• 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)
• IMLE-Net: An Interpretable Multi-level Multi-channel Model for ECG Classification [0.9449650062296824]
  臨床環境では、心臓科医が標準12チャンネル心電図記録に基づいて診断を行う。 本稿では,標準ECG記録で利用可能なマルチチャネル情報を活用し,ビート,リズム,チャネルレベルのパターンを学習するモデルを提案する。 実験結果から,マクロ平均ROC-AUCスコアは0.9216,平均精度は88.85%,最大F1スコアは0.8057であった。
  論文  参考訳（メタデータ） (2022-04-06T16:29:10Z)
• 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)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• 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)
• 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。