論文の概要: EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification

• arxiv url: http://arxiv.org/abs/2506.12404v1
• Date: Sat, 14 Jun 2025 08:48:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.095295
• Title: EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification
• Title（参考訳）: EXGnet: 信頼できる心電図不整脈分類のための列車のみの定量的特徴を持つ単誘導型AIガイド型マルチレゾリューションネットワーク
• Authors: Tushar Talukder Showrav, Soyabul Islam Lincoln, Md. Kamrul Hasan,
• Abstract要約: 信頼性の高いECG不整脈分類ネットワークであるEXGnetを提案する。 マルチレゾリューション特徴抽出と説明可能な人工知能(XAI)ガイダンスを統合し、定量的特徴のみを訓練する。 提案手法は平均5倍精度98.762%、96.932%、F1スコア97.910%、ChapmanとNingboのデータセット95.527%を達成した。
• 参考スコア（独自算出の注目度）: 1.5162243843944596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Deep learning has significantly advanced ECG arrhythmia classification, enabling high accuracy in detecting various cardiac conditions. The use of single-lead ECG systems is crucial for portable devices, as they offer convenience and accessibility for continuous monitoring in diverse settings. However, the interpretability and reliability of deep learning models in clinical applications poses challenges due to their black-box nature. Methods: To address these challenges, we propose EXGnet, a single-lead, trustworthy ECG arrhythmia classification network that integrates multiresolution feature extraction with Explainable Artificial Intelligence (XAI) guidance and train only quantitative features. Results: Trained on two public datasets, including Chapman and Ningbo, EXGnet demonstrates superior performance through key metrics such as Accuracy, F1-score, Sensitivity, and Specificity. The proposed method achieved average five fold accuracy of 98.762%, and 96.932% and average F1-score of 97.910%, and 95.527% on the Chapman and Ningbo datasets, respectively. Conclusions: By employing XAI techniques, specifically Grad-CAM, the model provides visual insights into the relevant ECG segments it analyzes, thereby enhancing clinician trust in its predictions. While quantitative features further improve classification performance, they are not required during testing, making the model suitable for real-world applications. Overall, EXGnet not only achieves better classification accuracy but also addresses the critical need for interpretability in deep learning, facilitating broader adoption in portable ECG monitoring.
• Abstract（参考訳）: 背景: 深層学習は心電図不整脈分類を著しく進歩させ, 種々の心疾患の検出に高い精度で行うことができた。 シングルリードECGシステムの使用は、さまざまな設定で継続的に監視するための利便性とアクセシビリティを提供するため、ポータブルデバイスにとって不可欠である。 しかし,臨床応用における深層学習モデルの解釈可能性や信頼性は,ブラックボックスの性質から問題となる。 方法:これらの課題に対処するために,マルチレゾリューション特徴抽出と説明可能な人工知能(XAI)ガイダンスを統合し,定量的特徴のみを訓練する,単一リードで信頼性の高いECG不整脈分類ネットワークであるEXGnetを提案する。 結果: ChapmanとNingboを含む2つの公開データセットでトレーニングされたEXGnetは、精度、F1スコア、感度、特異性といった重要な指標を通じて、優れたパフォーマンスを示す。 提案手法は平均5倍精度98.762%、96.932%、F1スコア97.910%、95.527%をチャップマンデータセットとニンボデータセットで達成した。 結論:XAI技術、特にGrad-CAMを用いることで、モデルは分析した関連するECGセグメントを視覚的に把握し、その予測に対する臨床医の信頼を高める。 量的特徴は分類性能をさらに向上させるが、テスト中に必要とされないため、実世界のアプリケーションに適したモデルとなっている。 全体として、EXGnetはより良い分類精度を達成するだけでなく、ディープラーニングにおける解釈可能性に対する重要なニーズにも対処し、ポータブルなECGモニタリングの普及を促進する。

関連論文リスト

• ArrhythmiaVision: Resource-Conscious Deep Learning Models with Visual Explanations for ECG Arrhythmia Classification [0.0]
  本稿では,エッジデバイス上での効率的なリアルタイム不整脈分類に最適化されたArrhythmiNet V1とV2を提案する。 MobileNetの深い分離可能な畳み込み設計にインスパイアされたこれらのモデルは、それぞれ302.18KBと157.76KBのメモリフットプリントを維持している。 本研究は, 実用, ウェアラブル, 組込みECGモニタリングシステムにおいて, 解釈可能性, 予測精度, 計算効率の両立の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-30T18:22:45Z)
• 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)
• The Rlign Algorithm for Enhanced Electrocardiogram Analysis through R-Peak Alignment for Explainable Classification and Clustering [34.88496713576635]
  我々は,サポートベクタマシンや主成分分析などの浅層学習技術をECG信号処理に再導入することを目指している。 そこで我々は,ECG信号を完全に構造化されたフォーマットに効果的に再構成する変換を開発し,評価した。 我々のアプローチは、特に限られたトレーニングデータを扱う場合、CNNよりも浅い機械学習手法に顕著な優位性を示す。
  論文  参考訳（メタデータ） (2024-07-22T11:34:47Z)
• DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography [37.32413956117856]
  本研究では,End-Diastolic (ED) フレームとEnd-Systolic (ES) フレームを識別するための教師なしおよびトレーニング不要な手法を提案する。 アンカー点の同定と方向変形解析により,初期セグメンテーション画像の精度への依存性を効果的に低減する。 本手法は,学習モデルと同等の精度を,関連する欠点を伴わずに達成する。
  論文  参考訳（メタデータ） (2024-03-19T14:51:01Z)
• ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on Continual Learning [20.465733855762835]
  心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。 古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。 本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-10T15:19:00Z)
• 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)
• DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
  本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。 提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-18T13:13:41Z)
• 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)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。