論文の概要: Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture

• arxiv url: http://arxiv.org/abs/2410.08559v4
• Date: Tue, 03 Dec 2024 03:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 12:22:07.423883
• Title: Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture
• Title（参考訳）: 統合埋め込み予測アーキテクチャを用いた12左心電図の一般表現
• Authors: Sehun Kim,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Electrocardiogram (ECG) captures the heart's electrical signals, offering valuable information for diagnosing cardiac conditions. However, the scarcity of labeled data makes it challenging to fully leverage supervised learning in medical domain. Self-supervised learning (SSL) offers a promising solution, enabling models to learn from unlabeled data and uncover meaningful patterns. In this paper, we show that masked modeling in the latent space can be a powerful alternative to existing self-supervised methods in the ECG domain. We introduce ECG-JEPA, a SSL model for 12-lead ECG analysis that learns semantic representations of ECG data by predicting in the hidden latent space, bypassing the need to reconstruct raw signals. This approach offers several advantages in the ECG domain: (1) it avoids producing unnecessary details, such as noise, which is common in ECG; and (2) it addresses the limitations of na\"ive L2 loss between raw signals. Another key contribution is the introduction of Cross-Pattern Attention (CroPA), a specialized masked attention mechanism tailored for 12-lead ECG data. ECG-JEPA is trained on the union of several open ECG datasets, totaling approximately 180,000 samples, and achieves state-of-the-art performance in various downstream tasks including ECG classification and feature prediction. Our code is openly available at https://github.com/sehunfromdaegu/ECG_JEPA.
• Abstract（参考訳）: 心電図(ECG)は心臓の電気信号を捉え、心臓の状態を診断するための貴重な情報を提供する。 しかし、ラベル付きデータの不足により、医療領域における教師あり学習の活用が困難になる。 自己教師付き学習(SSL)は有望なソリューションであり、モデルがラベルのないデータから学習し、意味のあるパターンを明らかにすることができる。 本稿では,潜在空間におけるマスクド・モデリングが,ECG領域における既存の自己管理手法の強力な代替となることを示す。 本稿では,12リードのECG解析用SSLモデルであるECG-JEPAを紹介し,生信号の再構築を回避し,隠れ潜伏空間内での予測によりECGデータのセマンティック表現を学習する。 このアプローチはECG領域にいくつかの利点をもたらす:(1)ECGで一般的なノイズなどの不要な詳細を発生させないこと、(2)生信号間のna\\ive L2損失の制限に対処すること。 もうひとつの重要な貢献はCroPA(Cross-Pattern Attention)の導入である。 ECG-JEPAは、約180,000サンプルのオープンECGデータセットの統合に基づいてトレーニングされており、ECG分類や機能予測など、さまざまな下流タスクで最先端のパフォーマンスを達成する。 私たちのコードはhttps://github.com/sehunfromdaegu/ECG_JEPAで公開されています。

関連論文リスト

• Deep learning model for ECG reconstruction reveals the information content of ECG leads [0.0]
  本研究は心電図(ECG)の欠損した鉛を再構成するためのU-netアーキテクチャに基づくディープラーニングモデルを提案する。 公開されているデータセットを使用して、モデルは12リードのECGデータを再生するように訓練された。 その結果,各ECGリードの情報内容と,その相互関係を定量化するモデルの有効性が明らかになった。
  論文  参考訳（メタデータ） (2025-02-01T21:06:07Z)
• 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)
• ECG-FM: An Open Electrocardiogram Foundation Model [3.611746032873298]
  本稿では,ECG分析のためのオープン基盤モデルであるECG-FMを提案する。 ECG-FMはトランスフォーマーベースのアーキテクチャを採用し、250万のサンプルで事前訓練されている。 文脈情報のコマンドが強靭なパフォーマンス、豊富な事前学習された埋め込み、信頼性のある解釈可能性をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-09T17:06:49Z)
• MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• 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)
• ETP: Learning Transferable ECG Representations via ECG-Text Pre-training [10.856365645831728]
  ECG-Text Pre-training (ETP)は、ECG信号とテキストレポートをリンクするクロスモーダル表現を学習するために設計された革新的なフレームワークである。 ETPはECGエンコーダと事前訓練された言語モデルを使用して、ECG信号を対応するテキストレポートと整合させる。
  論文  参考訳（メタデータ） (2023-09-06T19:19:26Z)
• 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)
• 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-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。