論文の概要: Investigating the Generalizability of ECG Noise Detection Across Diverse Data Sources and Noise Types
- arxiv url: http://arxiv.org/abs/2502.14522v1
- Date: Thu, 20 Feb 2025 12:54:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 17:44:19.368531
- Title: Investigating the Generalizability of ECG Noise Detection Across Diverse Data Sources and Noise Types
- Title(参考訳): 各種データソースとノイズ種別における心電図ノイズ検出の一般化可能性の検討
- Authors: Sharmad Kalpande, Nilesh Kumar Sahu, Haroon Lone,
- Abstract要約: クロスデータセット実験による新しいHRVを用いたECGにおけるノイズ検出の一般化可能性について検討する。
その結果,機械学習の平均精度は90%以上であり,AUPRCは0.9以上であることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Electrocardiograms (ECGs) are essential for monitoring cardiac health, allowing clinicians to analyze heart rate variability (HRV), detect abnormal rhythms, and diagnose cardiovascular diseases. However, ECG signals, especially those from wearable devices, are often affected by noise artifacts caused by motion, muscle activity, or device-related interference. These artifacts distort R-peaks and the characteristic QRS complex, making HRV analysis unreliable and increasing the risk of misdiagnosis. Despite this, the few existing studies on ECG noise detection have primarily focused on a single dataset, limiting the understanding of how well noise detection models generalize across different datasets. In this paper, we investigate the generalizability of noise detection in ECG using a novel HRV-based approach through cross-dataset experiments on four datasets. Our results show that machine learning achieves an average accuracy of over 90\% and an AUPRC of more than 0.9. These findings suggest that regardless of the ECG data source or the type of noise, the proposed method maintains high accuracy even on unseen datasets, demonstrating the feasibility of generalizability.
- Abstract(参考訳): 心電図(ECG)は心臓の健康をモニタリングするために必須であり、臨床医は心拍変動を分析し、異常なリズムを検出し、心血管疾患を診断することができる。
しかし、ECG信号、特にウェアラブルデバイスからの信号は、運動、筋活動、デバイス関連の干渉によって引き起こされるノイズアーチファクトに影響されることが多い。
これらのアーティファクトは、Rピークと特徴的なQRS複合体を歪め、HRV解析を信頼できないものにし、誤診のリスクを増大させる。
それにもかかわらず、ECGノイズ検出に関するいくつかの既存の研究は、主に単一のデータセットに焦点を当てており、異なるデータセット間でのノイズ検出モデルがいかに一般化するかの理解を制限している。
本稿では,4つのデータセットのクロスデータセット実験を通じて,新しいHRVを用いたECGにおけるノイズ検出の一般化可能性について検討する。
その結果,機械学習の平均精度は90%以上であり,AUPRCは0.9以上であることがわかった。
これらの結果から,ECGデータソースやノイズの種類に関わらず,提案手法は未知のデータセットでも高い精度を維持し,一般化可能性の実現可能性を示すことが示唆された。
関連論文リスト
- Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。
その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。
今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
論文 参考訳(メタデータ) (2024-12-17T18:07:40Z) - 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) - Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。
臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。
我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T08:56:10Z) - In-ear ECG Signal Enhancement with Denoising Convolutional Autoencoders [11.901601030527862]
耳内の心電図記録は、小さな振幅と他の生理的信号の存在によって大きなノイズに悩まされることが多い。
本研究は, よりクリーンなECG出力を生成するため, 内部記録からのECG情報を高めるための畳み込み自己符号化器を開発した。
論文 参考訳(メタデータ) (2024-08-27T16:50:57Z) - 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) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Automatic Detection of Noisy Electrocardiogram Signals without Explicit
Noise Labels [12.176026483486252]
ノイズの多いECGサンプルを自動的に検出する2段階のディープラーニングベースのフレームワークを提案する。
本フレームワークは, わずかに, 非常にノイズの多いECGサンプルを効果的に検出できる。
また、あるデータセットで学習したモデルの別のデータセットへの転送について検討し、このフレームワークがノイズの多いECGサンプルを効果的に検出することを観察する。
論文 参考訳(メタデータ) (2022-08-08T17:16:16Z) - 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) - RPnet: A Deep Learning approach for robust R Peak detection in noisy ECG [0.0]
InceptionブロックとResidualブロックを組み合わせたUnetの新たな応用を提案し、ECGからRピークを抽出する。
提案したネットワークは、CVDを持つECGエピソードを含むデータベース上でトレーニングされ、3つの従来のECG検出器に対してテストされた。
論文 参考訳(メタデータ) (2020-04-17T08:11:39Z)
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。