論文の概要: Dynamic Prototype Rehearsal for Continual Learning in ECG Arrhythmia Detection

• arxiv url: http://arxiv.org/abs/2501.07555v1
• Date: Mon, 13 Jan 2025 18:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:22:59.460262
• Title: Dynamic Prototype Rehearsal for Continual Learning in ECG Arrhythmia Detection
• Title（参考訳）: 心電図不整脈検出における連続学習のための動的プロトタイプリハーサル
• Authors: Sana Rahmani, Reetam Chatterjee, Ali Etemad, Javad Hashemi,
• Abstract要約: 我々は,心電図不整脈検出のための新しい連続学習法であるDREAM-CLを提案する。 DREAM-CLは、トレーニングセッション毎に学習行動に基づいてデータをクラスタリングすることで、代表プロトタイプを選択する。 我々は,2つの広く使用されているECG不整脈データセットを用いて,時間増加,クラス増加,リード増加のシナリオについて検討した。
• 参考スコア（独自算出の注目度）: 19.42660202621804
• License:
• Abstract: Continual Learning (CL) methods aim to learn from a sequence of tasks while avoiding the challenge of forgetting previous knowledge. We present DREAM-CL, a novel CL method for ECG arrhythmia detection that introduces dynamic prototype rehearsal memory. DREAM-CL selects representative prototypes by clustering data based on learning behavior during each training session. Within each cluster, we apply a smooth sorting operation that ranks samples by training difficulty, compressing extreme values and removing outliers. The more challenging samples are then chosen as prototypes for the rehearsal memory, ensuring effective knowledge retention across sessions. We evaluate our method on time-incremental, class-incremental, and lead-incremental scenarios using two widely used ECG arrhythmia datasets, Chapman and PTB-XL. The results demonstrate that DREAM-CL outperforms the state-of-the-art in CL for ECG arrhythmia detection. Detailed ablation and sensitivity studies are performed to validate the different design choices of our method.
• Abstract（参考訳）: CL(Continuous Learning)手法は,従来の知識を忘れることの難しさを回避しつつ,一連のタスクから学習することを目的としている。 本稿では,心電図不整脈検出のための新しいCL法であるDREAM-CLについて述べる。 DREAM-CLは、トレーニングセッション毎に学習行動に基づいてデータをクラスタリングすることで、代表プロトタイプを選択する。 各クラスタ内にスムーズなソート操作を適用し、トレーニングの難しさ、極端な値の圧縮、アウトリーチの除去によってサンプルをランク付けする。 より困難なサンプルは、リハーサルメモリのプロトタイプとして選択され、セッション間で効果的な知識保持が保証される。 我々は,2つの広く使用されているECG不整脈データセットであるChapmanとTB-XLを用いて,時間増加,クラス増加,リード増加のシナリオについて検討した。 その結果,DREAM-CLは心電図不整脈検出においてCLの最先端よりも優れていた。 提案手法の異なる設計選択を検証するために, 詳細なアブレーションおよび感度試験を行った。

関連論文リスト

• SODor: Long-Term EEG Partitioning for Seizure Onset Detection [32.453257844419504]
  サブシーケンスクラスタリングの新しいタスク定式化により,アクセプションのオンセットを明示的にモデル化する2段階フレームワーク,手法を提案する。 本手法は誤分類を補正し,他のベースラインよりも5%-11%の分類改善を実現し,発作発生を正確に検出する。
  論文  参考訳（メタデータ） (2024-12-20T06:42:58Z)
• Take the Bull by the Horns: Hard Sample-Reweighted Continual Training Improves LLM Generalization [165.98557106089777]
  大きな言語モデル(LLM)の能力を高めることが大きな課題だ。 本研究は,従来の事前学習データセットを用いたLCMの光連続訓練に関する実証的戦略から始まった。 次に、この戦略をインスタンス重み付け分散ロバスト最適化の原則化されたフレームワークに定式化します。
  論文  参考訳（メタデータ） (2024-02-22T04:10:57Z)
• Learning with Noisy Labels Using Collaborative Sample Selection and Contrastive Semi-Supervised Learning [76.00798972439004]
  Collaborative Sample Selection (CSS)は、特定されたクリーンセットからノイズの多いサンプルを削除する。 半教師付き学習において、対照的な損失を伴う協調学習機構を導入する。
  論文  参考訳（メタデータ） (2023-10-24T05:37:20Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• 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)
• ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on Continual Learning [20.465733855762835]
  心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。 古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。 本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-10T15:19:00Z)
• Multimodality Multi-Lead ECG Arrhythmia Classification using Self-Supervised Learning [5.675787521359948]
  SSLベースのマルチモーダリティECG分類を提案する。 提案するネットワークはSSL学習パラダイムに従っており,前ストリームタスクと下流タスクに対応する2つのモジュールで構成されている。 提案手法の有効性を評価するため,12リードのPhystoNet 2020データセット上で10倍のクロス検証を行った。
  論文  参考訳（メタデータ） (2022-09-30T18:45:34Z)
• Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
  本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
  論文  参考訳（メタデータ） (2022-06-02T19:05:13Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。