Fugu-MT 論文翻訳(概要): DeepBoost-AF: A Novel Unsupervised Feature Learning and Gradient Boosting Fusion for Robust Atrial Fibrillation Detection in Raw ECG Signals

論文の概要: DeepBoost-AF: A Novel Unsupervised Feature Learning and Gradient Boosting Fusion for Robust Atrial Fibrillation Detection in Raw ECG Signals

arxiv url: http://arxiv.org/abs/2505.24085v1
Date: Fri, 30 May 2025 00:08:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-02 19:47:52.708587
Title: DeepBoost-AF: A Novel Unsupervised Feature Learning and Gradient Boosting Fusion for Robust Atrial Fibrillation Detection in Raw ECG Signals
Title（参考訳）: DeepBoost-AF:心電図信号のロバスト心房細動検出のための新しい教師なし特徴学習とグラディエントブースティング融合
Authors: Alireza Jafari, Fereshteh Yousefirizi, Vahid Seydi,
Abstract要約: 心房細動(英: atrial fibrillation, AF)は、健康リスクの上昇に伴う心臓不整脈である。本研究では、教師なし深層学習と勾配促進モデルを統合してAF検出を改善する革新的なハイブリッド手法を提案する。
参考スコア（独自算出の注目度）: 1.794794261751548
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Atrial fibrillation (AF) is a prevalent cardiac arrhythmia associated with elevated health risks, where timely detection is pivotal for mitigating stroke-related morbidity. This study introduces an innovative hybrid methodology integrating unsupervised deep learning and gradient boosting models to improve AF detection. A 19-layer deep convolutional autoencoder (DCAE) is coupled with three boosting classifiers-AdaBoost, XGBoost, and LightGBM (LGBM)-to harness their complementary advantages while addressing individual limitations. The proposed framework uniquely combines DCAE with gradient boosting, enabling end-to-end AF identification devoid of manual feature extraction. The DCAE-LGBM model attains an F1-score of 95.20%, sensitivity of 99.99%, and inference latency of four seconds, outperforming existing methods and aligning with clinical deployment requirements. The DCAE integration significantly enhances boosting models, positioning this hybrid system as a reliable tool for automated AF detection in clinical settings.
Abstract（参考訳）: 心房細動(英: atrial fibrillation、AF)は、心臓不整脈であり、脳卒中関連疾患の緩和に時間的検出が重要である。本研究では、教師なし深層学習と勾配促進モデルを統合してAF検出を改善する革新的なハイブリッド手法を提案する。 19層のディープ畳み込みオートエンコーダ(DCAE)とAdaBoost、XGBoost、LightGBM(LGBM)の3つのブースティング分類器を結合して、個々の制限に対処する。提案するフレームワークはDCAEと勾配向上を一意に組み合わせ,手動の特徴抽出を伴わないエンドツーエンドのAF識別を可能にする。 DCAE-LGBMモデルでは、F1スコア95.20%、感度99.99%、推論遅延4秒を実現し、既存の手法より優れ、臨床展開要件に適合している。 DCAE統合は強化モデルを大幅に強化し、このハイブリッドシステムを臨床環境で自動AF検出の信頼性の高いツールとして位置づける。

関連論文リスト

Learning to Predict Global Atrial Fibrillation Dynamics from Sparse Measurements [71.49601301663651]
FibMapは、スパース測定からグローバルAFダイナミクスを再構築するグラフリカレントニューラルネットワークモデルである。 51の非接触全アリア記録に基づいてトレーニングされ、検証され、フィブマップは10%の表面カバレッジから全アリアダイナミクスを再構築した。実世界の接触マッピング記録にFibMapの臨床的有用性を示し,非接触マッピングに匹敵する再現性を実現する。
論文参考訳（メタデータ） (2025-02-13T16:36:25Z)
AmpliNetECG12: A lightweight SoftMax-based relativistic amplitude amplification architecture for 12 lead ECG classification [0.0]
本研究では,心臓の異常を迅速かつ正確に診断することを目的とした,新しいディープラーニングアーキテクチャを提案する。我々は、ECG偏向の可視性を改善するために、aSoftMaxと呼ばれる新しいアクティベーション関数を考案した。心臓疾患の診断では84%の異常な精度が得られた。
論文参考訳（メタデータ） (2024-11-21T07:28:24Z)
Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
論文参考訳（メタデータ） (2024-09-24T13:33:46Z)
Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [2.7699831151653305]
本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
論文参考訳（メタデータ） (2024-07-15T13:02:54Z)
EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文参考訳（メタデータ） (2023-10-24T02:37:49Z)
Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文参考訳（メタデータ） (2022-09-05T16:38:13Z)
Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文参考訳（メタデータ） (2022-06-28T05:09:01Z)
Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文参考訳（メタデータ） (2022-04-07T22:49:18Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
Fully Automatic Electrocardiogram Classification System based on Generative Adversarial Network with Auxiliary Classifier [10.44188030325747]
高い性能を有する完全自動心電図不整脈分類システム(ECG)を用いたGAN(Generative Adversarial Network)を提案する。完全自動システムでは,MITBIH不整脈データベースにおいて,上室異所性ビート(SVEBビート)と心室異所性ビート(VEBVビート)の両者の総合的分類性能が良好であった。
論文参考訳（メタデータ） (2020-04-10T03:33:10Z)

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。