論文の概要: Leveraging Visibility Graphs for Enhanced Arrhythmia Classification with Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2404.15367v2
• Date: Wed, 04 Dec 2024 00:42:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 21:42:00.245099
• Title: Leveraging Visibility Graphs for Enhanced Arrhythmia Classification with Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークを用いた不整脈分類のための可視グラフの活用
• Authors: Rafael F. Oliveira, Gladston J. P. Moreira, Vander L. S. Freitas, Eduardo J. S. Luz,
• Abstract要約: 本研究では,不整脈分類におけるVGとVVGの表現とGCNの併用について検討した。 以上の結果より,VGおよびVVGマッピングによりGCNは前処理やノイズ除去を必要とせず,生ECG信号から直接不整脈を分類できることがわかった。
• 参考スコア（独自算出の注目度）: 0.11184789007828977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Arrhythmias, detectable through electrocardiograms (ECGs), pose significant health risks, underscoring the need for accurate and efficient automated detection techniques. While recent advancements in graph-based methods have demonstrated potential to enhance arrhythmia classification, the challenge lies in effectively representing ECG signals as graphs. This study investigates the use of Visibility Graph (VG) and Vector Visibility Graph (VVG) representations combined with Graph Convolutional Networks (GCNs) for arrhythmia classification under the ANSI/AAMI standard, ensuring reproducibility and fair comparison with other techniques. Through extensive experiments on the MIT-BIH dataset, we evaluate various GCN architectures and preprocessing parameters. Our findings demonstrate that VG and VVG mappings enable GCNs to classify arrhythmias directly from raw ECG signals, without the need for preprocessing or noise removal. Notably, VG offers superior computational efficiency, while VVG delivers enhanced classification performance by leveraging additional lead features. The proposed approach outperforms baseline methods in several metrics, although challenges persist in classifying the supraventricular ectopic beat (S) class, particularly under the inter-patient paradigm.
• Abstract（参考訳）: 心電図(ECG)で検出できる不整脈は、正確で効率的な自動検出技術の必要性を強調し、かなりの健康リスクをもたらす。 グラフに基づく手法の最近の進歩は不整脈分類を強化する可能性を示しているが、この課題はECG信号をグラフとして効果的に表現することにある。 本研究では,ANSI/AAMI規格下での不整脈分類において,視覚グラフ(VG)とベクトル可視グラフ(VVG)をグラフ畳み込みネットワーク(GCN)と組み合わせることで,再現性を確保し,他の手法との比較を行う。 MIT-BIHデータセットに関する広範な実験を通じて、様々なGCNアーキテクチャと前処理パラメータを評価した。 以上の結果より,VGおよびVVGマッピングによりGCNは前処理やノイズ除去を必要とせず,生ECG信号から直接不整脈を分類できることがわかった。 特に、VGはより優れた計算効率を提供し、VVGは追加のリード機能を活用することで、高度な分類性能を提供する。 提案手法は,特に患者間パラダイムの下で,上室異所性ビート(S)クラスを分類する上で,いくつかの指標においてベースライン法よりも優れている。

関連論文リスト

• A Pre-Training and Adaptive Fine-Tuning Framework for Graph Anomaly Detection [67.77204352386897]
  近年, グラフ異常検出 (GAD) が注目されているが, 異常ノードの不足やラベルアノテーションのコストが高いため, 依然として困難である。 PAFはGAD用に特別に設計されたフレームワークで、事前学習フェーズにおける低域と高域のフィルタを組み合わせて、ノード特徴量における周波数情報の完全なスペクトルをキャプチャする。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• A CNN-based Local-Global Self-Attention via Averaged Window Embeddings for Hierarchical ECG Analysis [1.0844302367985357]
  本稿では,この制限に対処するため,新しいLGA(Local-Global Attention ECG)モデルを提案する。 提案手法は,重なり合う畳み込みウィンドウから得られる埋め込みを平均化することでクエリを抽出する。 CODE-15データセットで行った実験は、LGA-ECGが最先端モデルより優れていることを示した。
  論文  参考訳（メタデータ） (2025-04-13T01:21:18Z)
• DiffuSETS: 12-lead ECG Generation Conditioned on Clinical Text Reports and Patient-Specific Information [13.680337221159506]
  心臓病は人間の健康にとって重大な脅威である。 プライバシー上の懸念と限られた医療資源によって駆動される高品質なECGデータの空洞化は、効果的なECG信号生成の押し付けの必要性を生み出します。 セマンティックアライメントと忠実度の高いECG信号を生成可能な新しいフレームワークであるDiffuSETSを提案する。
  論文  参考訳（メタデータ） (2025-01-10T12:55:34Z)
• Online Graph Learning via Time-Vertex Adaptive Filters: From Theory to Cardiac Fibrillation [37.69303106863453]
  グラフシフト演算子(GSO)の適応推定のためのオンラインアルゴリズムであるAdaCGPを導入する。 シミュレーションにより、AdaCGPは様々なグラフトポロジに対して一貫して良好に機能し、GSO推定において82%以上の改善が達成されることを示す。 AdaCGPのグラフ構造の変化を追跡する能力は、抗不整脈薬による心室細動動態の記録に示されている。
  論文  参考訳（メタデータ） (2024-11-03T13:43:51Z)
• RobGC: Towards Robust Graph Condensation [61.259453496191696]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。 しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。 本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:14:57Z)
• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method for ECG signal [19.885905393439014]
  本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。 この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。 提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2023-10-01T23:17:55Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• 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)
• Robust Mid-Pass Filtering Graph Convolutional Networks [47.50194731200042]
  グラフ畳み込みネットワーク(GCN)は現在、グラフ構造データを扱う上で最も有望なパラダイムである。 近年の研究では、GCNは敵の攻撃に弱いことが示されている。 そこで我々は,これらの課題を克服するために,シンプルで効果的なミッドパスフィルタGCN(Mid-GCN)を提案する。
  論文  参考訳（メタデータ） (2023-02-16T03:07:09Z)
• Learning ECG Representations based on Manipulated Temporal-Spatial Reverse Detection [11.615287369669971]
  本稿では,ECG表現を学習する上で,単純だが効果的な手法を提案する。 ECGの時間的特性と空間的特性にインスパイアされ、元の信号を水平に、垂直に、そして水平に、そして垂直に、それぞれ反転させる。 その結果,本手法で学習したECG表現は,下流タスクにおいて顕著な性能を示すことがわかった。
  論文  参考訳（メタデータ） (2022-02-25T02:01:09Z)
• Effective classification of ecg signals using enhanced convolutional neural network in iot [0.0]
  本稿では、動的ソースルーティング(DSR)とエネルギーリンク品質(REL)に基づくIoTヘルスケアプラットフォームのためのルーティングシステムを提案する。 Deep-ECGは、重要な特徴を抽出するためにディープCNNを使用し、単純かつ高速な距離関数を用いて比較する。 その結果,提案手法は分類精度において他よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-08T13:37:23Z)
• Improving Subgraph Recognition with Variational Graph Information Bottleneck [62.69606854404757]
  部分グラフ認識は、グラフ特性に最も有益であるグラフの圧縮された部分構造を発見することを目的としている。 本稿では,サブグラフ内の情報を圧縮するためのノイズ注入手法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T10:51:13Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• 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 Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
  本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。 提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
  論文  参考訳（メタデータ） (2020-04-24T23:41:41Z)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。