論文の概要: AnyECG: Foundational Models for Electrocardiogram Analysis

• arxiv url: http://arxiv.org/abs/2411.17711v1
• Date: Sun, 17 Nov 2024 17:32:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-01 04:42:48.808877
• Title: AnyECG: Foundational Models for Electrocardiogram Analysis
• Title（参考訳）: AnyECG:心電図解析の基礎モデル
• Authors: Yue Wang, Xu Cao, Yaojun Hu, Haochao Ying, James Matthew Rehg, Jimeng Sun, Jian Wu, Jintai Chen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 36.53693619144332
• License:
• Abstract: Electrocardiogram (ECG), a non-invasive and affordable tool for cardiac monitoring, is highly sensitive in detecting acute heart attacks. However, due to the lengthy nature of ECG recordings, numerous machine learning methods have been developed for automated heart disease detection to reduce human workload. Despite these efforts, performance remains suboptimal. A key obstacle is the inherent complexity of ECG data, which includes heterogeneity (e.g., varying sampling rates), high levels of noise, demographic-related pattern shifts, and intricate rhythm-event associations. To overcome these challenges, this paper introduces AnyECG, a foundational model designed to extract robust representations from any real-world ECG data. Specifically, a tailored ECG Tokenizer encodes each fixed-duration ECG fragment into a token and, guided by proxy tasks, converts noisy, continuous ECG features into discrete, compact, and clinically meaningful local rhythm codes. These codes encapsulate basic morphological, frequency, and demographic information (e.g., sex), effectively mitigating signal noise. We further pre-train the AnyECG to learn rhythmic pattern associations across ECG tokens, enabling the capture of cardiac event semantics. By being jointly pre-trained on diverse ECG data sources, AnyECG is capable of generalizing across a wide range of downstream tasks where ECG signals are recorded from various devices and scenarios. Experimental results in anomaly detection, arrhythmia detection, corrupted lead generation, and ultra-long ECG signal analysis demonstrate that AnyECG learns common ECG knowledge from data and significantly outperforms cutting-edge methods in each respective task.
• Abstract（参考訳）: 心電図(ECG)は、非侵襲的で安価な心臓モニタリングツールであり、急性心臓発作の検出に非常に敏感である。 しかし、心電図記録の長大な性質から、人間の作業量を減らすために、心臓病の自動検出のための多くの機械学習手法が開発されている。 これらの努力にもかかわらず、パフォーマンスは相変わらず最適である。 鍵となる障害は、ECGデータの本質的な複雑さであり、不均一性(例えば、様々なサンプリングレート)、高レベルのノイズ、人口動態に関連したパターンシフト、複雑なリズムイベント関連を含む。 これらの課題を克服するために,実世界のECGデータからロバストな表現を抽出する基盤モデルであるAnyECGを紹介する。 具体的には、調整されたECG Tokenizerは、各固定順ECGフラグメントをトークンにエンコードし、プロキシタスクによってガイドされ、ノイズの多い連続ECG機能を離散的でコンパクトで臨床的に意味のあるローカルリズムコードに変換する。 これらの符号は、基本的な形態、頻度、人口統計情報(例:セックス)をカプセル化し、信号ノイズを効果的に緩和する。 我々はさらにAnyECGをトレーニングし、心電図トークンのリズミカルパターン関連を学習し、心イベントセマンティクスのキャプチャを可能にした。 多様なECGデータソースで共同で事前トレーニングすることで、AnyECGは、さまざまなデバイスやシナリオからECG信号が記録される幅広い下流タスクを一般化することができる。 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。

関連論文リスト

• 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)
• 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)
• 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)
• Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly Detection [33.48389041651675]
  心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。 希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。 本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
  論文  参考訳（メタデータ） (2023-08-03T09:16:57Z)
• 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)
• Leveraging Statistical Shape Priors in GAN-based ECG Synthesis [3.3482093430607267]
  本稿では,GAN(Generative Adversarial Networks)と統計ECGデータモデリングを用いた新しいECG信号生成手法を提案する。 本手法では,ECG信号の複雑なダイナミックスに対処するため,ECGのダイナミックスに関する事前知識を活用して現実的な信号の合成を行う。 以上の結果から,ECG信号の時間的・振幅的変動を2次元形状としてモデル化した手法は,最先端のGANベースの生成ベースラインと比較して,より現実的な信号を生成することがわかった。
  論文  参考訳（メタデータ） (2022-10-22T18:06:11Z)
• 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)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• 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。