Fugu-MT 論文翻訳(概要): FADE: Forecasting for Anomaly Detection on ECG

論文の概要: FADE: Forecasting for Anomaly Detection on ECG

arxiv url: http://arxiv.org/abs/2502.07389v1
Date: Tue, 11 Feb 2025 09:19:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-12 14:07:39.579147
Title: FADE: Forecasting for Anomaly Detection on ECG
Title（参考訳）: FADE:ECGにおける異常検出の予測
Authors: Paula Ruiz-Barroso, Francisco M. Castro, José Miranda, Denisa-Andreea Constantinescu, David Atienza, Nicolás Guil,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.914228925573227
License:
Abstract: Cardiovascular diseases, a leading cause of noncommunicable disease-related deaths, require early and accurate detection to improve patient outcomes. Taking advantage of advances in machine learning and deep learning, multiple approaches have been proposed in the literature to address the challenge of detecting ECG anomalies. Typically, these methods are based on the manual interpretation of ECG signals, which is time consuming and depends on the expertise of healthcare professionals. The objective of this work is to propose a deep learning system, FADE, designed for normal ECG forecasting and anomaly detection, which reduces the need for extensive labeled datasets and manual interpretation. FADE has been trained in a self-supervised manner with a novel morphological inspired loss function. Unlike conventional models that learn from labeled anomalous ECG waveforms, our approach predicts the future of normal ECG signals, thus avoiding the need for extensive labeled datasets. Using a novel distance function to compare forecasted ECG signals with actual sensor data, our method effectively identifies cardiac anomalies. Additionally, this approach can be adapted to new contexts through domain adaptation techniques. To evaluate our proposal, we performed a set of experiments using two publicly available datasets: MIT-BIH NSR and MIT-BIH Arrythmia. The results demonstrate that our system achieves an average accuracy of 83.84% in anomaly detection, while correctly classifying normal ECG signals with an accuracy of 85.46%. Our proposed approach exhibited superior performance in the early detection of cardiac anomalies in ECG signals, surpassing previous methods that predominantly identify a limited range of anomalies. FADE effectively detects both abnormal heartbeats and arrhythmias, offering significant advantages in healthcare through cost reduction or processing of large-scale ECG data.
Abstract（参考訳）: 心臓血管疾患は、非感染性疾患の死因であり、患者の予後を改善するために、早期かつ正確に検出する必要がある。機械学習とディープラーニングの進歩を活かして、ECG異常を検出するという課題に対処する複数のアプローチが文献で提案されている。通常、これらの手法はECG信号のマニュアル解釈に基づいており、これは時間がかかり、医療専門家の専門知識に依存している。本研究の目的は、通常のECG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。ラベル付きECG波形から学習する従来のモデルとは異なり,本手法は通常のECG信号の将来を予測し,広範なラベル付きデータセットの必要性を回避する。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。さらに、このアプローチはドメイン適応技術を通じて新しいコンテキストに適応することができる。提案手法を評価するために,MIT-BIH NSRとMIT-BIH Arrythmiaの2つの公開データセットを用いて実験を行った。その結果, 異常検出における平均精度は83.84%, 正常心電図信号を85.46%の精度で正しく分類した。提案手法は,心電図信号の早期検出において,より優れた性能を示した。 FADEは、異常な心拍数と不整脈の両方を効果的に検出し、コスト削減や大規模心電図データの処理を通じて医療において大きな利点をもたらす。

関連論文リスト

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)
EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection [7.574088346030774]
本稿では, 心電図における異常信号の検出に, 正規信号のラベルのみをトレーニングデータとして用いた。イメージをパッチに分割して学習し,自動エンコーダをマスクする自己教師型視覚変換器にヒントを得て,脳波異常検出モデルEB-GAMEを導入する。
論文参考訳（メタデータ） (2024-04-08T13:01:59Z)
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)
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)
Hierarchical Deep Learning with Generative Adversarial Network for Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
論文参考訳（メタデータ） (2022-10-19T12:29:05Z)
A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文参考訳（メタデータ） (2022-08-29T05:01:04Z)
Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文参考訳（メタデータ） (2022-07-04T13:15:08Z)
Identifying Electrocardiogram Abnormalities Using a Handcrafted-Rule-Enhanced Neural Network [18.859487271034336]
我々は、深層学習に基づく心電図解析に臨床知識を提供するために、畳み込みニューラルネットワークにいくつかのルールを導入する。我々の新しいアプローチは、既存の最先端の手法をかなり上回っている。
論文参考訳（メタデータ） (2022-06-16T04:42:57Z)
ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks [9.410102957429705]
本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
論文参考訳（メタデータ） (2021-08-18T14:55:46Z)
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。