Fugu-MT 論文翻訳(概要): An Efficient and Flexible Deep Learning Method for Signal Delineation via Keypoints Estimation

論文の概要: An Efficient and Flexible Deep Learning Method for Signal Delineation via Keypoints Estimation

arxiv url: http://arxiv.org/abs/2407.20258v1
Date: Wed, 24 Jul 2024 08:13:10 GMT
ステータス: 処理完了
システム内更新日: 2024-07-31 19:27:58.374288
Title: An Efficient and Flexible Deep Learning Method for Signal Delineation via Keypoints Estimation
Title（参考訳）: キーポイント推定による信号記述の効率的かつ柔軟な深層学習法
Authors: Adrian Atienza, Jakob Bardram, Sadasivan Puthusserypady,
Abstract要約: 本稿では,キーポイント推定のための新しいDLモデルであるKEED(Keypoint Estimation for Electrocardiogram Delineation)を提案する。 KEEDは、臨床的な期待に沿ったアウトプットを有機的に提供する。注目すべきは、非常に限定的な注釈付きデータで最適化されているにもかかわらず、KEEDは大幅にパフォーマンスが向上していることだ。
参考スコア（独自算出の注目度）: 4.2807943283312095
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep Learning (DL) methods have been used for electrocardiogram (ECG) processing in a wide variety of tasks, demonstrating good performance compared with traditional signal processing algorithms. These methods offer an efficient framework with a limited need for apriori data pre-processing and feature engineering. While several studies use this approach for ECG signal delineation, a significant gap persists between the expected and the actual outcome. Existing methods rely on a sample-to-sample classifier. However, the clinical expected outcome consists of a set of onset, offset, and peak for the different waves that compose each R-R interval. To align the actual with the expected output, it is necessary to incorporate post-processing algorithms. This counteracts two of the main advantages of DL models, since these algorithms are based on assumptions and slow down the method's performance. In this paper, we present Keypoint Estimation for Electrocardiogram Delineation (KEED), a novel DL model designed for keypoint estimation, which organically offers an output aligned with clinical expectations. By standing apart from the conventional sample-to-sample classifier, we achieve two benefits: (i) Eliminate the need for additional post-processing, and (ii) Establish a flexible framework that allows the adjustment of the threshold value considering the sensitivity-specificity tradeoff regarding the particular clinical requirements. The proposed method's performance is compared with state-of-the-art (SOTA) signal processing methods. Remarkably, KEED significantly outperforms despite being optimized with an extremely limited annotated data. In addition, KEED decreases the inference time by a factor ranging from 52x to 703x.
Abstract（参考訳）: 深層学習(DL)法は心電図(ECG)処理に様々なタスクで用いられ、従来の信号処理アルゴリズムと比較して優れた性能を示している。これらの手法は、アプリオリデータ前処理と機能エンジニアリングを限定した効率的なフレームワークを提供する。いくつかの研究では、この手法をECG信号のデライン化に用いているが、期待値と実際の結果の間には大きなギャップが持続している。既存のメソッドはサンプルからサンプルまでの分類器に依存している。しかし、臨床効果は、それぞれのR-R間隔を構成する異なる波に対する一連のオンセット、オフセット、ピークから構成される。実際の出力を期待出力に合わせるためには、後処理アルゴリズムを組み込む必要がある。これらのアルゴリズムは仮定に基づいており、メソッドのパフォーマンスを遅くするためである。本稿では,KEED(Keypoint Estimation for Electrocardiogram Delineation)というキーポイント推定のための新しいDLモデルを提案する。従来のサンプルとサンプルの分類器から切り離すことで、2つの利点が得られる。一追加の事後処理の必要性を排除し、二特定の臨床要件に関する感度特異性トレードオフを考慮したしきい値の調整を可能にするフレキシブルな枠組みを整備すること。提案手法の性能を最先端(SOTA)信号処理法と比較する。注目すべきは、非常に限定的な注釈付きデータで最適化されているにもかかわらず、KEEDは大幅にパフォーマンスが向上していることだ。さらに、KEEDは52xから703xの範囲で推論時間を減少させる。

関連論文リスト

Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文参考訳（メタデータ） (2024-10-28T04:47:39Z)
Optimization of Iterative Blind Detection based on Expectation Maximization and Belief Propagation [29.114100423416204]
ブロックフェーディング線形シンボルチャネルに対するブラインドシンボル検出法を提案する。本研究では,研究予測アルゴリズムとユビキタスな信条伝搬アルゴリズムを組み合わせた共同チャネル推定・検出手法を設計する。提案手法は,効率よく一般化したスケジュールを学習し,高信号対雑音シナリオにおけるコヒーレントBP検出よりも優れることを示す。
論文参考訳（メタデータ） (2024-08-05T08:45:50Z)
Exploring Best Practices for ECG Signal Processing in Machine Learning [4.767323457354508]
最先端の機械学習アルゴリズムは心電図データを用いた心臓状態の分類において顕著な成果を上げている。事前処理のベストプラクティスには合意がないようだ。サンプリングレートを50Hz以下にすると、一般的に使用される500Hzに匹敵する結果が得られる。
論文参考訳（メタデータ） (2023-11-02T20:29:15Z)
Optimized preprocessing and Tiny ML for Attention State Classification [2.7810511835091427]
信号処理技術と機械学習アルゴリズムを組み合わせた脳波信号から精神状態の分類手法を提案する。認知負荷作業中に収集した脳波記録のデータセット上で,提案手法の性能を評価する。
論文参考訳（メタデータ） (2023-03-20T18:17:35Z)
An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文参考訳（メタデータ） (2022-08-11T22:27:22Z)
Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文参考訳（メタデータ） (2022-03-29T21:00:39Z)
Adaptive Template Enhancement for Improved Person Recognition using Small Datasets [0.9668407688201358]
本稿では,脳波(EEG)信号の新たな分類法を提案し,評価した。提案した適応テンプレート拡張機構は,各特徴次元を別々に扱うことで特徴レベルのインスタンスを変換する。提案手法は,識別シナリオと検証シナリオの両方において,分類精度が大幅に向上したことを示す。
論文参考訳（メタデータ） (2022-01-03T10:14:38Z)
Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。本稿では2つの新しい推定法を提案する。
論文参考訳（メタデータ） (2021-09-06T13:42:32Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
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)
An Efficient Framework for Automated Screening of Clinically Significant Macular Edema [0.41998444721319206]
本研究は,臨床上重要な黄斑浮腫(CSME)の自動スクリーニングのための新しいアプローチを提案する。提案手法は、トレーニング済みのディープニューラルネットワークとメタヒューリスティックな特徴選択を組み合わせたものである。スクイードデータセットの効果を克服するために、機能領域のオーバーサンプリング技術が使用されている。
論文参考訳（メタデータ） (2020-01-20T07:34:13Z)

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。