Fugu-MT 論文翻訳(概要): AICRN: Attention-Integrated Convolutional Residual Network for Interpretable Electrocardiogram Analysis

論文の概要: AICRN: Attention-Integrated Convolutional Residual Network for Interpretable Electrocardiogram Analysis

arxiv url: http://arxiv.org/abs/2508.12162v1
Date: Sat, 16 Aug 2025 21:10:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:10.594954
Title: AICRN: Attention-Integrated Convolutional Residual Network for Interpretable Electrocardiogram Analysis
Title（参考訳）: AICRN : 心電図解析のための注意集中型畳み込み残像ネットワーク
Authors: J. M. I. H. Jayakody, A. M. H. H. Alahakoon, C. R. M. Perera, R. M. L. C. Srimal, Roshan Ragel, Vajira Thambawita, Isuru Nawinne,
Abstract要約: 本研究は,注意統合畳み込み残差ネットワーク(AICRN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。本アーキテクチャは,レグレッションのためのECG特徴のタイプと空間的位置に対処する空間的およびチャネル的注意関連機構を特化して設計されている。このシステムは、人間のエラーによる焦点の喪失などの従来の分析課題に対処し、心臓イベントの迅速かつ容易な検出を容易にする。
参考スコア（独自算出の注目度）: 0.4077139177290857
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The paradigm of electrocardiogram (ECG) analysis has evolved into real-time digital analysis, facilitated by artificial intelligence (AI) and machine learning (ML), which has improved the diagnostic precision and predictive capacity of cardiac diseases. This work proposes a novel deep learning (DL) architecture called the attention-integrated convolutional residual network (AICRN) to regress key ECG parameters such as the PR interval, the QT interval, the QRS duration, the heart rate, the peak amplitude of the R wave, and the amplitude of the T wave for interpretable ECG analysis. Our architecture is specially designed with spatial and channel attention-related mechanisms to address the type and spatial location of the ECG features for regression. The models employ a convolutional residual network to address vanishing and exploding gradient problems. The designed system addresses traditional analysis challenges, such as loss of focus due to human errors, and facilitates the fast and easy detection of cardiac events, thereby reducing the manual efforts required to solve analysis tasks. AICRN models outperform existing models in parameter regression with higher precision. This work demonstrates that DL can play a crucial role in the interpretability and precision of ECG analysis, opening up new clinical applications for cardiac monitoring and management.
Abstract（参考訳）: 心電図(ECG)解析のパラダイムは、人工知能(AI)と機械学習(ML)によるリアルタイムデジタル分析へと進化し、心臓疾患の診断精度と予測能力が改善された。本研究では、PR間隔、QT間隔、QRS持続時間、心拍数、R波のピーク振幅、T波の振幅などの重要なECGパラメータを解析可能なECG解析のために、AICRNと呼ばれる新しいディープラーニング(DL)アーキテクチャを提案する。本アーキテクチャは,レグレッションのためのECG特徴のタイプと空間的位置に対処する空間的およびチャネル的注意関連機構を特化して設計されている。モデルは、消滅および爆発的な勾配問題に対処するために、畳み込み残差ネットワークを使用する。設計システムは、人間のエラーによる焦点の喪失などの従来の分析課題に対処し、心臓イベントの迅速かつ容易に検出し、解析タスクの解決に必要な手作業を減らす。 AICRNモデルは、パラメータ回帰において既存のモデルよりも高い精度で優れている。本研究は,心電図解析の解釈可能性と精度において,DLが重要な役割を担っていることを示し,心電図モニタリングおよび管理のための新たな臨床応用を開拓した。

関連論文リスト

Advancements in Artificial Intelligence Applications for Cardiovascular Disease Research [0.0]
人工知能(AI)の最近の進歩は、心臓血管医学に革命をもたらした。ディープラーニングアーキテクチャは、医療画像と生理的信号の自動解析を可能にする。今後の方向性は、パーソナライズされた心血管ケアを洗練させるために、マルチモーダルデータと適応アルゴリズムを統合するハイブリッドモデルに重点を置いている。
論文参考訳（メタデータ） (2025-06-04T08:31:28Z)
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)
Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
論文参考訳（メタデータ） (2024-12-23T13:05:17Z)
Compact Neural Network Algorithm for Electrocardiogram Classification [0.0]
不整脈の自動分類のための小型心電図システムを提案する。このシステムはMIT-BIH不整脈データベース上で97.36%の精度を達成する。
論文参考訳（メタデータ） (2024-12-19T19:55:22Z)
Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
論文参考訳（メタデータ） (2024-12-07T08:29:44Z)
Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
論文参考訳（メタデータ） (2024-09-19T06:14:30Z)
L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
論文参考訳（メタデータ） (2024-06-07T12:01:37Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
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。