Fugu-MT 論文翻訳(概要): MambaCapsule: Towards Transparent Cardiac Disease Diagnosis with Electrocardiography Using Mamba Capsule Network

論文の概要: MambaCapsule: Towards Transparent Cardiac Disease Diagnosis with Electrocardiography Using Mamba Capsule Network

arxiv url: http://arxiv.org/abs/2407.20893v1
Date: Tue, 30 Jul 2024 15:12:29 GMT
ステータス: 処理完了
システム内更新日: 2024-07-31 16:50:19.887663
Title: MambaCapsule: Towards Transparent Cardiac Disease Diagnosis with Electrocardiography Using Mamba Capsule Network
Title（参考訳）: Mamba Capsule: Mamba Capsule Network を用いた心電図による透過性心疾患診断に向けて
Authors: Yinlong Xu, Xiaoqiang Liu, Zitai Kong, Yixuan Wu, Yue Wang, Yingzhou Lu, Honghao Gao, Jian Wu, Hongxia Xu,
Abstract要約: 本稿では,ECG不整脈分類のためのディープニューラルネットワークであるMambaCapsuleを紹介する。 MambaCapsuleはテストセットでそれぞれ99.54%と99.59%の精度を達成した。
参考スコア（独自算出の注目度）: 16.562266471455672
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cardiac arrhythmia, a condition characterized by irregular heartbeats, often serves as an early indication of various heart ailments. With the advent of deep learning, numerous innovative models have been introduced for diagnosing arrhythmias using Electrocardiogram (ECG) signals. However, recent studies solely focus on the performance of models, neglecting the interpretation of their results. This leads to a considerable lack of transparency, posing a significant risk in the actual diagnostic process. To solve this problem, this paper introduces MambaCapsule, a deep neural networks for ECG arrhythmias classification, which increases the explainability of the model while enhancing the accuracy.Our model utilizes Mamba for feature extraction and Capsule networks for prediction, providing not only a confidence score but also signal features. Akin to the processing mechanism of human brain, the model learns signal features and their relationship between them by reconstructing ECG signals in the predicted selection. The model evaluation was conducted on MIT-BIH and PTB dataset, following the AAMI standard. MambaCapsule has achieved a total accuracy of 99.54% and 99.59% on the test sets respectively. These results demonstrate the promising performance of under the standard test protocol.
Abstract（参考訳）: 心臓不整脈は不整脈を特徴とする疾患であり、様々な心疾患の早期の徴候として用いられることが多い。深層学習の出現に伴い、心電図(ECG)信号を用いて不整脈を診断するための多くの革新的なモデルが導入された。しかし、近年の研究は、結果の解釈を無視して、モデルの性能にのみ焦点をあてている。これは透明性の欠如を招き、実際の診断プロセスに重大なリスクをもたらす。そこで本研究では,ECG不整脈分類のための深層ニューラルネットワークであるMamba Capsuleを導入し,精度を高めつつモデルの説明可能性を高めるとともに,特徴抽出にMambaを用い,予測にCapsuleネットワークを用い,信頼性スコアだけでなく信号特徴も提供する。ヒト脳の処理機構と同様に、予測された選択においてECG信号を再構成することにより、モデルが信号の特徴とその関係を学習する。 AAMI標準に従って,MIT-BIHおよびTBデータセットを用いてモデル評価を行った。 MambaCapsuleはテストセットでそれぞれ99.54%と99.59%の精度を達成した。これらの結果は,標準テストプロトコル下での有望な性能を示すものである。

関連論文リスト

Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
論文参考訳（メタデータ） (2025-02-15T06:33:02Z)
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)
Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
論文参考訳（メタデータ） (2024-12-23T13:05:17Z)
Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
論文参考訳（メタデータ） (2024-12-07T08:29:44Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。 DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
論文参考訳（メタデータ） (2024-07-25T13:27:10Z)
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)
Machine Learning-based Efficient Ventricular Tachycardia Detection Model of ECG Signal [0.0]
心不全の一次診断と解析において、心電図信号は重要な役割を果たす。本稿では,ノイズフィルタを用いた心室頻拍不整脈の予測モデル,心電図の特徴セット,機械学習に基づく分類モデルを提案する。
論文参考訳（メタデータ） (2021-12-24T05:56:09Z)
Supraventricular Tachycardia Detection and Classification Model of ECG signal Using Machine Learning [0.0]
心電図(ECG)信号の研究は心疾患の診断に不可欠である。本研究は,雑音のフィルタリングを含む数段階からなる上室性不整脈予測モデルを提案する。我々は,異なるタイプの上室頻拍を分類できる機械学習に基づく分類モデルを開発した。
論文参考訳（メタデータ） (2021-12-24T05:48:26Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。