論文の概要: Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning

• arxiv url: http://arxiv.org/abs/2506.06349v1
• Date: Mon, 02 Jun 2025 05:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.210459
• Title: Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning
• Title（参考訳）: 機械学習とディープラーニングを用いた心電図信号の心拍数分類
• Authors: Thien Nhan Vo, Thanh Xuan Truong,
• Abstract要約: 本研究は心電図信号からの心拍を2つの異なるアプローチで分類する。 従来の機械学習は、手作りの機能と、ECGビートを変換した画像によるディープラーニングを利用している。 SVMやAdaBoostのようなモデルではスコアが大幅に低くなり、このタスクには限定的な適合性を示した。
• 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 addresses the classification of heartbeats from ECG signals through two distinct approaches: traditional machine learning utilizing hand-crafted features and deep learning via transformed images of ECG beats. The dataset underwent preprocessing steps, including downsampling, filtering, and normalization, to ensure consistency and relevance for subsequent analysis. In the first approach, features such as heart rate variability (HRV), mean, variance, and RR intervals were extracted to train various classifiers, including SVM, Random Forest, AdaBoost, LSTM, Bi-directional LSTM, and LightGBM. The second approach involved transforming ECG signals into images using Gramian Angular Field (GAF), Markov Transition Field (MTF), and Recurrence Plots (RP), with these images subsequently classified using CNN architectures like VGG and Inception. Experimental results demonstrate that the LightGBM model achieved the highest performance, with an accuracy of 99% and an F1 score of 0.94, outperforming the image-based CNN approach (F1 score of 0.85). Models such as SVM and AdaBoost yielded significantly lower scores, indicating limited suitability for this task. The findings underscore the superior ability of hand-crafted features to capture temporal and morphological variations in ECG signals compared to image-based representations of individual beats. Future investigations may benefit from incorporating multi-lead ECG signals and temporal dependencies across successive beats to enhance classification accuracy further.
• Abstract（参考訳）: 本研究は、手作りの特徴を利用した従来の機械学習と、心電図のビートを変換した画像によるディープラーニングの2つのアプローチにより、心電図信号から心拍を分類する。 データセットは、ダウンサンプリング、フィルタリング、正規化を含む前処理のステップを実行し、その後の分析の一貫性と関連性を確保した。 最初のアプローチでは、SVM、ランダムフォレスト、AdaBoost、LSTM、双方向LSTM、LightGBMなどの様々な分類器を訓練するために、心拍変動(HRV)、平均、変動、RR間隔などの特徴を抽出した。 第2のアプローチは、Gramian Angular Field (GAF)、Markov Transition Field (MTF)、Recurrence Plots (RP)を使用してECG信号を画像に変換することであり、これらのイメージはVGGやInceptionといったCNNアーキテクチャを使って分類された。 実験の結果、LightGBMモデルは99%の精度でF1スコアが0.94で最高性能を達成し、画像ベースのCNNアプローチ(F1スコアが0.85)を上回った。 SVMやAdaBoostのようなモデルではスコアが大幅に低くなり、このタスクには限定的な適合性を示した。 本研究は,手作り特徴を用いた心電図信号の時間的・形態的変化を,個々の拍子のイメージベース表現と比較した。 今後の調査では、多重リードECG信号と連続するビート間の時間的依存を取り入れて、分類精度をさらに高めることが期待できる。

関連論文リスト

• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [43.65650710265957]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• VizECGNet: Visual ECG Image Network for Cardiovascular Diseases Classification with Multi-Modal Training and Knowledge Distillation [0.7405975743268344]
  実際には、ECGデータはデジタル化された信号または印刷された画像として格納される。 本稿では,複数の心血管疾患の予後を決定するために,心電図のみを用いたVizECGNetを提案する。
  論文  参考訳（メタデータ） (2024-08-06T01:34:43Z)
• Interpretable Pre-Trained Transformers for Heart Time-Series Data [15.377534937558744]
  我々は、PTG-PTとECG-PTの2つのトレーニング済み汎用心臓モデルを作成する。 PPGのジクロティックノッチや心電図のP波など,個々の注意が生理学的に反する特徴に反応することを強調した。 これらの事前訓練されたモデルは、心房細動(AF)の分類や、光胸腺撮影におけるビート検出などのタスクにおいて、簡単に微調整できる。
  論文  参考訳（メタデータ） (2024-07-30T12:22:03Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• ECG classification using Deep CNN and Gramian Angular Field [2.685668802278155]
  提案手法は,グラム角場変換を用いた時間周波数1Dベクトルを2次元画像に変換することに基づく。 その結果,異常検出では97.47%,98.65%の分類精度が得られた。 これは、心血管疾患の診断と治療、および異常の検出に重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-07-25T13:26:52Z)
• 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)
• DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler Signal [48.97719097435527]
  DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。 動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
  論文  参考訳（メタデータ） (2023-05-15T18:19:29Z)
• 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)
• ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
  本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。 MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。 不整脈では99.7%,MIでは99.2%の分類が得られた。
  論文  参考訳（メタデータ） (2021-07-21T03:48:35Z)
• Multi-level Stress Assessment Using Multi-domain Fusion of ECG Signal [1.52292571922932]
  複数のストレスレベルを持つデータセットを導入し、新しいディープラーニングアプローチを用いてこれらのレベルを分類する。 信号画像は時間周波数領域と周波数領域に変換してマルチモーダル・マルチドメイン化した。 提案された融合フレームワークとECG信号による画像変換により、平均精度は85.45%に達する。
  論文  参考訳（メタデータ） (2020-08-12T18:08:35Z)

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。