Fugu-MT 論文翻訳(概要): DCAE-SR: Design of a Denoising Convolutional Autoencoder for reconstructing Electrocardiograms signals at Super Resolution

論文の概要: DCAE-SR: Design of a Denoising Convolutional Autoencoder for reconstructing Electrocardiograms signals at Super Resolution

arxiv url: http://arxiv.org/abs/2404.15307v1
Date: Fri, 29 Mar 2024 19:46:08 GMT
ステータス: 処理完了
システム内更新日: 2024-04-28 11:06:36.839710
Title: DCAE-SR: Design of a Denoising Convolutional Autoencoder for reconstructing Electrocardiograms signals at Super Resolution
Title（参考訳）: DCAE-SR:超高分解能心電図信号再構成のためのデノイング畳み込みオートエンコーダの設計
Authors: Ugo Lomoio, Pierangelo Veltri, Pietro Hiram Guzzi, Pietro Lio',
Abstract要約: 心電図(ECG)信号は心血管診断において重要な役割を担っている。 ECG記録における固有ノイズと限定分解能は、正確な解釈と診断を妨げる可能性がある。本稿では,DNAEを用いて心電図信号の内部の時間・周波数情報を強化する新しいECGスーパー解像度(SR)モデルを提案する。
参考スコア（独自算出の注目度）: 5.368388861148683
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electrocardiogram (ECG) signals play a pivotal role in cardiovascular diagnostics, providing essential information on the electrical activity of the heart. However, the inherent noise and limited resolution in ECG recordings can hinder accurate interpretation and diagnosis. In this paper, we propose a novel model for ECG super resolution (SR) that uses a DNAE to enhance temporal and frequency information inside ECG signals. Our approach addresses the limitations of traditional ECG signal processing techniques. Our model takes in input 5-second length ECG windows sampled at 50 Hz (very low resolution) and it is able to reconstruct a denoised super-resolution signal with an x10 upsampling rate (sampled at 500 Hz). We trained the proposed DCAE-SR on public available myocardial infraction ECG signals. Our method demonstrates superior performance in reconstructing high-resolution ECG signals from very low-resolution signals with a sampling rate of 50 Hz. We compared our results with the current deep-learning literature approaches for ECG super-resolution and some non-deep learning reproducible methods that can perform both super-resolution and denoising. We obtained current state-of-the-art performances in super-resolution of very low resolution ECG signals frequently corrupted by ECG artifacts. We were able to obtain a signal-to-noise ratio of 12.20 dB (outperforms previous 4.68 dB), mean squared error of 0.0044 (outperforms previous 0.0154) and root mean squared error of 4.86% (outperforms previous 12.40%). In conclusion, our DCAE-SR model offers a robust (to artefact presence), versatile and explainable solution to enhance the quality of ECG signals. This advancement holds promise in advancing the field of cardiovascular diagnostics, paving the way for improved patient care and high-quality clinical decisions
Abstract（参考訳）: 心電図(ECG)信号は心臓血管診断において重要な役割を担い、心臓の電気活動について重要な情報を提供する。しかし、ECG記録における固有のノイズや解像度の制限は、正確な解釈と診断を妨げる可能性がある。本稿では、DNAEを用いてECG信号の内部の時間・周波数情報を強化するECGスーパーレゾリューション(SR)の新しいモデルを提案する。本手法は従来のECG信号処理技術の限界に対処する。入力5秒のECGウィンドウを50Hz(非常に低解像度)で入力し、x10アップサンプリングレート(500Hz)で復号化超解像信号を再構成することができる。提案したDCAE-SRを心電図信号でトレーニングした。超低分解能信号から50Hzのサンプリングレートで高分解能ECG信号を再構成する際の優れた性能を示す。本研究は,ECG超解像法と,超解像法と復調法の両方が可能な非深度学習再現法とを比較した。極低分解能心電図信号の超高分解能化において,心電図アーチファクトの劣化が頻発する中で,最先端の性能が得られた。信号対雑音比は12.20dB(前4.68dB)、平均二乗誤差は0.0044(前0.0154)、根平均二乗誤差は4.86%(前12.40%)であった。結論として、当社のDCAE-SRモデルは、ECG信号の品質を高めるために、堅牢で汎用的で説明可能なソリューションを提供する。この進歩は、心臓血管診断の分野を前進させ、患者ケアの改善と高品質な臨床診断への道を開くことを約束する。

関連論文リスト

ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
論文参考訳（メタデータ） (2024-09-19T06:14:30Z)
In-ear ECG Signal Enhancement with Denoising Convolutional Autoencoders [11.901601030527862]
耳内の心電図記録は、小さな振幅と他の生理的信号の存在によって大きなノイズに悩まされることが多い。本研究は, よりクリーンなECG出力を生成するため, 内部記録からのECG情報を高めるための畳み込み自己符号化器を開発した。
論文参考訳（メタデータ） (2024-08-27T16:50:57Z)
MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-07T23:20:56Z)
Bayesian ECG reconstruction using denoising diffusion generative models [11.603515105957461]
健常心電図(ECG)データを用いて訓練したDDGM(denoising diffusion generative model)を提案する。以上の結果から, この革新的な生成モデルにより, 現実的なECG信号を生成できることが示唆された。
論文参考訳（メタデータ） (2023-12-18T15:56:21Z)
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)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
DeScoD-ECG: Deep Score-Based Diffusion Model for ECG Baseline Wander and Noise Removal [4.998493052085877]
心電図(ECG)信号は、ベースラインダウトなど、一般的にノイズ干渉に悩まされる。本稿では,新しいECGベースラインホアリングとノイズ除去技術を提案する。
論文参考訳（メタデータ） (2022-07-31T23:39:33Z)
Blind ECG Restoration by Operational Cycle-GANs [15.264145425539128]
心電図信号の持続的長期モニタリングは不整脈などの心疾患の早期発見に不可欠である。非クリニカルECG記録は、ベースライン、信号カット、モーションアーティファクト、QRS振幅の変動、ノイズ、その他の干渉といった深刻なアーティファクトに悩まされることが多い。サイクル整合型生成対向ネットワーク(Cycle-GAN)を用いた盲検心電図復元のための新しい手法を提案する。
論文参考訳（メタデータ） (2022-01-29T19:47:17Z)
ECG Signal Super-resolution by Considering Reconstruction and Cardiac Arrhythmias Classification Loss [0.0]
圧縮ECG信号を復元するための深層学習型ECG信号スーパーレゾリューションフレームワーク(ESRNet)を提案する。実験の結果,提案するESRNetフレームワークは10回圧縮されたECG信号を十分に再構成できることがわかった。
論文参考訳（メタデータ） (2020-12-07T15:43:50Z)
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)

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。