論文の概要: ECGrecover: a Deep Learning Approach for Electrocardiogram Signal Completion
- arxiv url: http://arxiv.org/abs/2406.16901v3
- Date: Mon, 20 Jan 2025 09:12:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:17:20.806073
- Title: ECGrecover: a Deep Learning Approach for Electrocardiogram Signal Completion
- Title（参考訳）: ECGrecover:心電図信号補完のためのディープラーニングアプローチ
- Authors: Alex Lence, Federica Granese, Ahmad Fall, Blaise Hanczar, Joe-Elie Salem, Jean-Daniel Zucker, Edi Prifti,
- Abstract要約: 我々は、(i)ECGリード内の欠落した信号セグメントを再構築し、(ii)別のユニークなリードで信号からすべてのリードを回収する、という2つの主要なシナリオに焦点を当てる。
本稿では,新しい合成目的関数に基づくニューラルネットワークモデルであるECGrecoverを提案する。
- 参考スコア（独自算出の注目度）: 1.727597257312416
- License:
- Abstract: In this work, we address the challenge of reconstructing the complete 12-lead ECG signal from its incomplete parts. We focus on two main scenarios: (i) reconstructing missing signal segments within an ECG lead and (ii) recovering entire leads from signal in another unique lead. Two emerging clinical applications emphasize the relevance of our work. The first is the increasing need to digitize paper-stored ECGs for utilization in AI-based applications, often limited to digital 12 lead 10s ECGs. The second is the widespread use of wearable devices that record ECGs but typically capture only one or a few leads. In both cases, a non-negligible amount of information is lost or not recorded. Our approach aims to recover this missing signal. We propose ECGrecover, a U-Net neural network model trained on a novel composite objective function to address the reconstruction problem. This function incorporates both spatial and temporal features of the ECG by combining the distance in amplitude and sycnhronization through time between the reconstructed and the real digital signals. We used real-life ECG datasets and through comprehensive assessments compared ECGrecover with three state-of-the-art methods based on generative adversarial networks (EKGAN, Pix2Pix) as well as the CopyPaste strategy. The results demonstrated that ECGrecover consistently outperformed state-of-the-art methods in standard distortion metrics as well as in preserving critical ECG characteristics, particularly the P, QRS, and T wave coordinates.
- Abstract（参考訳）: 本研究は,未完成部分から完全12誘導ECG信号を再構成することの課題に対処する。
主なシナリオは2つです。
一 心電図リード内の欠落信号セグメントの再構成及び
(二)信号から他の一意の鉛を回収すること。
2つの新しい臨床応用が我々の研究の意義を強調している。
ひとつは、AIベースのアプリケーションでの利用のために、ペーパーストアドECGをデジタル化する必要性が高まっていることだ。
2つ目は、ECGを記録するウェアラブルデバイスが広く使われていることだ。
どちらの場合も、無視できない量の情報が失われ、記録されない。
私たちのアプローチは、この行方不明の信号を回復することを目的としています。
本稿では,新しい合成目的関数を訓練したU-NetニューラルネットワークモデルECGrecoverを提案する。
この関数は、再構成されたデジタル信号と実際のデジタル信号の間の時間を通して振幅とサイクロン化の距離を組み合わせることで、ECGの空間的特徴と時間的特徴の両方を組み込む。
実生活のECGデータセットを用いて、ECGrecoverを3つの最先端手法(EKGAN, Pix2Pix)とCopyPaste戦略を比較検討した。
その結果、ECGrecoverは標準歪み測定において、特にP、QRS、T波の座標といった重要なECG特性を保ちながら、常に最先端の手法よりも優れていた。
関連論文リスト
- CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳（メタデータ） (2024-12-13T16:27:54Z) - Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture [0.0]
本稿では,12誘導ECG分析のための自己教師型学習モデルECG-JEPAを紹介する。
隠れた潜在空間で予測することで、ECGデータのセマンティック表現を学習する。
ECG-JEPAは、ECG分類や特徴予測を含む様々な下流タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-10-11T06:30:48Z) - NERULA: A Dual-Pathway Self-Supervised Learning Framework for Electrocardiogram Signal Analysis [5.8961928852930034]
本稿では,シングルリードECG信号を対象とした自己教師型フレームワークNERULAを提案する。
NERULAのデュアルパスウェイアーキテクチャは、心電図再構成と非コントラスト学習を組み合わせて、詳細な心臓の特徴を抽出する。
学習スペクトルに生成経路と識別経路を組み合わせることで、様々なタスクにおいて最先端の自己教師付き学習ベンチマークより優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2024-05-21T14:01:57Z) - CoReEcho: Continuous Representation Learning for 2D+time Echocardiography Analysis [42.810247034149214]
直接EF回帰に適した連続表現を強調する新しいトレーニングフレームワークであるCoReEchoを提案する。
CoReEcho: 1) 最大の心エコー画像データセット(EchoNet-Dynamic)上で現在最先端のSOTA(State-of-the-art)を、82.44の3.90&R2のMAEで上回り、2) 関連する下流タスクにおいてより効果的に転送する堅牢で一般化可能な機能を提供する。
論文 参考訳（メタデータ） (2024-03-15T10:18:06Z) - 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) - 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) - 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) - 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) - 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) - 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。