論文の概要: EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection

• arxiv url: http://arxiv.org/abs/2404.15333v1
• Date: Mon, 8 Apr 2024 13:01:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-28 10:46:58.118016
• Title: EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection
• Title（参考訳）: EB-GAME:ECG心拍異常検出用ゲームチェンジャー
• Authors: JuneYoung Park, Da Young Kim, Yunsoo Kim, Jisu Yoo, Tae Joon Kim,
• Abstract要約: 本稿では, 心電図における異常信号の検出に, 正規信号のラベルのみをトレーニングデータとして用いた。 イメージをパッチに分割して学習し,自動エンコーダをマスクする自己教師型視覚変換器にヒントを得て,脳波異常検出モデルEB-GAMEを導入する。
• 参考スコア（独自算出の注目度）: 7.574088346030774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiologists use electrocardiograms (ECG) for the detection of arrhythmias. However, continuous monitoring of ECG signals to detect cardiac abnormal-ities requires significant time and human resources. As a result, several deep learning studies have been conducted in advance for the automatic detection of arrhythmia. These models show relatively high performance in supervised learning, but are not applicable in cases with few training examples. This is because abnormal ECG data is scarce compared to normal data in most real-world clinical settings. Therefore, in this study, GAN-based anomaly detec-tion, i.e., unsupervised learning, was employed to address the issue of data imbalance. This paper focuses on detecting abnormal signals in electrocardi-ograms (ECGs) using only labels from normal signals as training data. In-spired by self-supervised vision transformers, which learn by dividing images into patches, and masked auto-encoders, known for their effectiveness in patch reconstruction and solving information redundancy, we introduce the ECG Heartbeat Anomaly Detection model, EB-GAME. EB-GAME was trained and validated on the MIT-BIH Arrhythmia Dataset, where it achieved state-of-the-art performance on this benchmark.
• Abstract（参考訳）: 心臓科医は不整脈の検出に心電図(ECG)を使用する。 しかし、心臓異常を検出するための心電図信号の連続的なモニタリングには、かなりの時間と人的資源が必要である。 その結果,不整脈の自動検出に先立って,いくつかの深層学習研究が実施されている。 これらのモデルは教師あり学習において比較的高い性能を示すが、訓練例が少ない場合には適用できない。 これは、ほとんどの実世界の臨床環境において、異常な心電図データが通常のデータに比べて少ないためである。 そこで本研究では,データ不均衡の問題に対処するために,GANに基づく非教師なし学習,すなわち非教師なし学習が採用された。 本稿では, 心電図における異常信号の検出に, 正規信号のラベルのみをトレーニングデータとして用いた。 イメージをパッチに分割して学習する自己教師型視覚変換器と、パッチ再構築と情報冗長性の解決に有効なマスク付き自動エンコーダに着想を得て、ECG心拍異常検出モデルEB-GAMEを導入する。 EB-GAMEはMIT-BIH Arrhythmia Datasetでトレーニングと検証が行われ、このベンチマークで最先端のパフォーマンスを達成した。

関連論文リスト

• FADE: Forecasting for Anomaly Detection on ECG [4.914228925573227]
  本研究の目的は,通常の心電図予測と異常検出のために設計された深層学習システムFADEを提案することである。 FADEは、新しい形態学的にインスパイアされた損失関数で、自己監督的な方法で訓練されている。 本手法は,心電図信号と実際のセンサデータとの新たな距離関数を用いて,心臓の異常を効果的に同定する。
  論文  参考訳（メタデータ） (2025-02-11T09:19:39Z)
• AnyECG: Foundational Models for Electrocardiogram Analysis [36.53693619144332]
  心電図(ECG)は急性心臓発作の検出に非常に敏感である。 本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。 異常検出,不整脈検出,不良鉛生成,超長期心電図信号解析などの実験結果から,AnyECGがデータから共通心電図の知識を学習し,各タスクにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2024-11-17T17:32:58Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• TSRNet: Simple Framework for Real-time ECG Anomaly Detection with Multimodal Time and Spectrogram Restoration Network [9.770923451320938]
  本稿では,異常検出を利用したトレーニング用心電図データのみを用いた不健康状態の同定手法を提案する。 本稿では,心電図信号の異常検出に特化して設計されたTSRNet(Multimodal Time and Spectrogram Restoration Network)を提案する。
  論文  参考訳（メタデータ） (2023-12-15T20:27:38Z)
• 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)
• 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)
• Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
  本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。 第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。 第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
  論文  参考訳（メタデータ） (2022-10-19T12:29:05Z)
• 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)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• 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。