論文の概要: Comparative Analysis of CNN and Transformer Architectures with Heart Cycle Normalization for Automated Phonocardiogram Classification

• arxiv url: http://arxiv.org/abs/2507.07058v1
• Date: Tue, 08 Jul 2025 13:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.702722
• Title: Comparative Analysis of CNN and Transformer Architectures with Heart Cycle Normalization for Automated Phonocardiogram Classification
• Title（参考訳）: 心電図自動分類におけるCNNとトランスフォーマーアーキテクチャと心拍数正規化の比較解析
• Authors: Martin Sondermann, Pinar Bisgin, Niklas Tschorn, Anja Burmann, Christoph M. Friedrich,
• Abstract要約: 2つの特殊畳み込みニューラルネットワーク(CNN)と2つのゼロショットユニバーサルオーディオトランス(BEAT)を評価した。 個別の心リズムに合わせたカスタム心臓周期正規化法を導入する。 固定長ウィンドウ付CNNモデルは79.5%、心拍正規化スコア75.4%、固定長ウィンドウ付BEATsトランスフォーマー65.7%、心拍正規化値BEATsトランスフォーマー70.1%である。
• 参考スコア（独自算出の注目度）: 0.44203325605537613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The automated classification of phonocardiogram (PCG) recordings represents a substantial advancement in cardiovascular diagnostics. This paper presents a systematic comparison of four distinct models for heart murmur detection: two specialized convolutional neural networks (CNNs) and two zero-shot universal audio transformers (BEATs), evaluated using fixed-length and heart cycle normalization approaches. Utilizing the PhysioNet2022 dataset, a custom heart cycle normalization method tailored to individual cardiac rhythms is introduced. The findings indicate the following AUROC values: the CNN model with fixed-length windowing achieves 79.5%, the CNN model with heart cycle normalization scores 75.4%, the BEATs transformer with fixed-length windowing achieves 65.7%, and the BEATs transformer with heart cycle normalization results in 70.1%. The findings indicate that physiological signal constraints, especially those introduced by different normalization strategies, have a substantial impact on model performance. The research provides evidence-based guidelines for architecture selection in clinical settings, emphasizing the need for a balance between accuracy and computational efficiency. Although specialized CNNs demonstrate superior performance overall, the zero-shot transformer models may offer promising efficiency advantages during development, such as faster training and evaluation cycles, despite their lower classification accuracy. These findings highlight the potential of automated classification systems to enhance cardiac diagnostics and improve patient care.
• Abstract（参考訳）: 心電図(PCG)の自動分類は,心臓血管診断の進歩を示す。 本稿では,2つの特殊畳み込みニューラルネットワーク (CNN) と2つのゼロショットユニバーサルオーディオ変換器 (BEAT) の4つの異なるモデルを比較し,固定長および心拍周期正規化手法を用いて評価した。 PhysioNet2022データセットを利用することで、個々の心臓リズムに合わせてカスタムな心拍周期正規化法が導入された。 その結果, 固定長ウィンドウ付CNNモデルは79.5%, 心拍周期正規化スコア75.4%, 固定長ウィンドウ付BEATsトランスフォーマー65.7%, 心拍周期正規化値BEATsトランスフォーマー70.1%であった。 その結果, 生理的信号制約, 特に正規化戦略の違いが, モデル性能に大きな影響を及ぼすことがわかった。 この研究は、臨床環境でのアーキテクチャ選択のためのエビデンスに基づくガイドラインを提供し、正確性と計算効率のバランスの必要性を強調している。 特殊CNNは総合的に優れた性能を示すが、ゼロショットトランスフォーマーモデルは、分類精度が低いにもかかわらず、より高速なトレーニングや評価サイクルなど、開発中に有望な効率性をもたらす可能性がある。 これらの知見は, 心臓診断と患者のケアを改善するための自動分類システムの可能性を明らかにするものである。

関連論文リスト

• From Motion to Meaning: Biomechanics-Informed Neural Network for Explainable Cardiovascular Disease Identification [1.1142444517901016]
  我々は,ネオ・フック材料のエネルギーひずみ定式化を利用して心組織変形をモデル化する。 移動心内の局所ひずみを推定し,心血管疾患の分類に使用する特徴の詳細なセットを抽出した。
  論文  参考訳（メタデータ） (2025-07-08T08:43:05Z)
• 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)
• 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)
• HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
  不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。 提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。 以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-06T13:26:29Z)
• HeartBEiT: Vision Transformer for Electrocardiogram Data Improves Diagnostic Performance at Low Sample Sizes [28.88454028731653]
  心電図波形解析のための第1の視覚ベーストランスモデルHeartBEiTを開発した。 その結果,HeartBEiTは,他のモデルに比べて試料サイズが小さく,高い性能を示した。 また、HeartBEiTは、EKGと標準CNNの生物学的関連領域を強調することにより、診断の説明可能性を向上させることを示した。
  論文  参考訳（メタデータ） (2022-12-13T16:39:21Z)
• 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)
• 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)
• Heart-Darts: Classification of Heartbeats Using Differentiable Architecture Search [22.225051965963114]
  不整脈は不規則な心拍を示す心血管疾患です。 不整脈検出では心電図(ECG)信号が重要な診断手法である。 畳み込みニューラルネットワーク(cnns)の適用により,評価プロセスが高速化され,性能が向上した。
  論文  参考訳（メタデータ） (2021-05-03T08:57:48Z)
• 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)
• 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)

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。