論文の概要: Deep Learning-Based Digitization of Overlapping ECG Images with Open-Source Python Code
- arxiv url: http://arxiv.org/abs/2506.10617v1
- Date: Thu, 12 Jun 2025 12:00:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.714268
- Title: Deep Learning-Based Digitization of Overlapping ECG Images with Open-Source Python Code
- Title（参考訳）: オープンソースのPythonコードによる重なり合うECG画像の深層学習に基づくデジタル化
- Authors: Reza Karbasi, Masoud Rahimi, Abdol-Hossein Vahabie, Hadi Moradi,
- Abstract要約: 本稿では,信号重複による単一リード処理の限界を克服する2段階パイプラインを提案する。
最初のステージではU-Netベースのセグメンテーションネットワークを採用し、重なり合う信号で強化されたデータセットでトレーニングされている。
その後の段階では、この洗練された二項マスクを確立されたデジタル化技術を用いて時系列信号に変換する。
- 参考スコア（独自算出の注目度）: 2.7498981662768536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the persistent challenge of accurately digitizing paper-based electrocardiogram (ECG) recordings, with a particular focus on robustly handling single leads compromised by signal overlaps-a common yet under-addressed issue in existing methodologies. We propose a two-stage pipeline designed to overcome this limitation. The first stage employs a U-Net based segmentation network, trained on a dataset enriched with overlapping signals and fortified with custom data augmentations, to accurately isolate the primary ECG trace. The subsequent stage converts this refined binary mask into a time-series signal using established digitization techniques, enhanced by an adaptive grid detection module for improved versatility across different ECG formats and scales. Our experimental results demonstrate the efficacy of our approach. The U-Net architecture achieves an IoU of 0.87 for the fine-grained segmentation task. Crucially, our proposed digitization method yields superior performance compared to a well-established baseline technique across both non-overlapping and challenging overlapping ECG samples. For non-overlapping signals, our method achieved a Mean Squared Error (MSE) of 0.0010 and a Pearson Correlation Coefficient (rho) of 0.9644, compared to 0.0015 and 0.9366, respectively, for the baseline. On samples with signal overlap, our method achieved an MSE of 0.0029 and a rho of 0.9641, significantly improving upon the baseline's 0.0178 and 0.8676. This work demonstrates an effective strategy to significantly enhance digitization accuracy, especially in the presence of signal overlaps, thereby laying a strong foundation for the reliable conversion of analog ECG records into analyzable digital data for contemporary research and clinical applications. The implementation is publicly available at this GitHub repository: https://github.com/masoudrahimi39/ECG-code.
- Abstract（参考訳）: 本稿では,紙ベースの心電図(ECG)記録を正確にデジタル化する上での課題について,信号重複による単一鉛の堅牢な取り扱いに着目した。
この制限を克服するための2段階パイプラインを提案する。
第1段階では、U-Netベースのセグメンテーションネットワークを使用し、重複する信号で濃縮されたデータセットでトレーニングされ、カスタムデータ拡張で強化され、主要なECGトレースを正確に分離する。
その後の段階では、この改良されたバイナリマスクを、確立されたデジタル化技術を用いて時系列信号に変換し、適応グリッド検出モジュールによって強化され、様々なECGフォーマットとスケールの汎用性が改善される。
提案手法の有効性を実験的に検証した。
U-Netアーキテクチャは、きめ細かいセグメンテーションタスクに対して0.87のIoUを達成する。
重要な点として,提案手法は,非重なりと挑戦的な重なり合うECGサンプルの双方にまたがる,確立されたベースライン手法と比較して,優れた性能が得られる。
重なり合わない信号に対しては,平均平方誤差0.0010,ピアソン相関係数0.9644,ベースライン0.0015,0.9366をそれぞれ達成した。
信号重なりのサンプルでは,MSEが0.0029,rhoが0.9641となり,ベースラインが0.0178,0.8676に対して有意に改善した。
本研究は,特に信号重複の有無において,デジタル化精度を大幅に向上させる効果的な手法を示し,アナログECGレコードを解析可能なデジタルデータに変換するための信頼性の高い基盤を築き上げた。
実装はGitHubリポジトリで公開されている。
関連論文リスト
- EffiSegNet: Gastrointestinal Polyp Segmentation through a Pre-Trained EfficientNet-based Network with a Simplified Decoder [0.8892527836401773]
EffiSegNetは、トレーニング済みの畳み込みニューラルネットワーク(CNN)をバックボーンとして、トランスファーラーニングを活用する新しいセグメンテーションフレームワークである。
Kvasir-SEGデータセットを用いて消化管ポリープセグメンテーションタスクの評価を行い,その成果を得た。
論文 参考訳（メタデータ） (2024-07-23T08:54:55Z) - 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) - DeScoD-ECG: Deep Score-Based Diffusion Model for ECG Baseline Wander and
Noise Removal [4.998493052085877]
心電図(ECG)信号は、ベースラインダウトなど、一般的にノイズ干渉に悩まされる。
本稿では,新しいECGベースラインホアリングとノイズ除去技術を提案する。
論文 参考訳（メタデータ） (2022-07-31T23:39:33Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - 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) - Ensemble of Convolution Neural Networks on Heterogeneous Signals for
Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。
最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文 参考訳（メタデータ） (2021-07-23T06:37:38Z) - Robust R-Peak Detection in Low-Quality Holter ECGs using 1D
Convolutional Neural Network [20.198563425074372]
本論文ではホルターECG信号におけるRピーク検出のための汎用かつ堅牢なシステムを提案する。
1D Convolutional Neural Network(CNN)の新しい実装は、誤報の数を減らすために検証モデルと統合されています。
実験の結果,CPSC-DBでは99.30%のF1スコア,99.69%のリコール,98.91%の精度が得られた。
論文 参考訳（メタデータ） (2020-12-29T21:10:54Z) - SE-ECGNet: A Multi-scale Deep Residual Network with
Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。
我々は,マルチリード信号を2次元行列として扱うことを提案する。
提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文 参考訳（メタデータ） (2020-12-10T08:37:44Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - 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。