Fugu-MT 論文翻訳(概要): ENACT-Heart -- ENsemble-based Assessment Using CNN and Transformer on Heart Sounds

論文の概要: ENACT-Heart -- ENsemble-based Assessment Using CNN and Transformer on Heart Sounds

arxiv url: http://arxiv.org/abs/2502.16914v1
Date: Mon, 24 Feb 2025 07:19:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-25 22:36:56.453095
Title: ENACT-Heart -- ENsemble-based Assessment Using CNN and Transformer on Heart Sounds
Title（参考訳）: ENACT-Heart --CNNとトランスフォーマーを用いた心臓音のアンサンブルに基づく評価
Authors: Jiho Han, Adnan Shaout,
Abstract要約: 本研究では、視覚変換器(ViT)の原理を音声解析に適用し、特に心臓の音に着目した。 ENACT-Heartは、CNNとViTの相補的な長所をMixture of Experts (MoE)フレームワークを通じて活用し、97.52%の顕著な分類精度を達成する、新しいアンサンブルアプローチである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study explores the application of Vision Transformer (ViT) principles in audio analysis, specifically focusing on heart sounds. This paper introduces ENACT-Heart - a novel ensemble approach that leverages the complementary strengths of Convolutional Neural Networks (CNN) and ViT through a Mixture of Experts (MoE) framework, achieving a remarkable classification accuracy of 97.52%. This outperforms the individual contributions of ViT (93.88%) and CNN (95.45%), demonstrating the potential for enhanced diagnostic accuracy in cardiovascular health monitoring. These results demonstrate the potential of ensemble methods in enhancing classification performance for cardiovascular health monitoring and diagnosis.
Abstract（参考訳）: 本研究では、視覚変換器(ViT)の原理を音声解析に適用し、特に心臓の音に着目した。本稿では,Mixture of Experts (MoE)フレームワークを用いて,畳み込みニューラルネットワーク(CNN)とViTの相補的強みを活用する新しいアンサンブルアプローチENACT-Heartを紹介する。これは、ViT(93.88%)とCNN(95.45%)の個々の貢献よりも優れており、心臓血管の健康モニタリングにおける診断精度の向上の可能性を示している。これらの結果は,心血管の健康モニタリングと診断の分類性能を高めるためのアンサンブル法の可能性を示している。

関連論文リスト

Large-scale cross-modality pretrained model enhances cardiovascular state estimation and cardiomyopathy detection from electrocardiograms: An AI system development and multi-center validation study [29.842103054029433]
本研究はCMRの診断強度を活用して心電図解析を強化する革新的なモデルであるCardiacNetsを紹介する。心臓神経は、冠動脈疾患、心筋症、心膜炎、心不全、肺高血圧など、潜在的なCVDの心臓機能指標とスクリーニングを評価する。その結果、CardiacNetsは従来のECGのみのモデルより一貫して優れており、スクリーニング精度が大幅に向上していることがわかった。
論文参考訳（メタデータ） (2024-11-19T09:09:14Z)
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)
Joint optimization of a $\beta$-VAE for ECG task-specific feature extraction [1.3124513975412255]
説明可能な特徴抽出器として$beta$-variational autoencoders (VAEs) を用いた。信号再構成と心機能予測を共同で最適化することにより,予測能力の向上を図る。
論文参考訳（メタデータ） (2023-03-28T12:53:07Z)
SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文参考訳（メタデータ） (2022-10-31T07:36:48Z)
Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文参考訳（メタデータ） (2022-07-23T19:17:26Z)
IMLE-Net: An Interpretable Multi-level Multi-channel Model for ECG Classification [0.9449650062296824]
臨床環境では、心臓科医が標準12チャンネル心電図記録に基づいて診断を行う。本稿では,標準ECG記録で利用可能なマルチチャネル情報を活用し,ビート,リズム,チャネルレベルのパターンを学習するモデルを提案する。実験結果から,マクロ平均ROC-AUCスコアは0.9216,平均精度は88.85%,最大F1スコアは0.8057であった。
論文参考訳（メタデータ） (2022-04-06T16:29:10Z)
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)
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)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
L-CO-Net: Learned Condensation-Optimization Network for Clinical Parameter Estimation from Cardiac Cine MRI [0.0]
学習グループ構造と正規化ウェイトプルーナーを兼ね備えた完全畳み込みセグメンタを実装した。心循環を通じて健常な1群と4群の病理組織を特徴とするACDCデータセットの枠組みを検証した。
論文参考訳（メタデータ） (2020-04-21T23:59:07Z)
Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
論文参考訳（メタデータ） (2020-04-02T02:09:11Z)

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。