論文の概要: Interpretable temporal fusion network of multi- and multi-class arrhythmia classification
- arxiv url: http://arxiv.org/abs/2511.15062v1
- Date: Wed, 19 Nov 2025 03:09:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.608608
- Title: Interpretable temporal fusion network of multi- and multi-class arrhythmia classification
- Title（参考訳）: 多種・多種不整脈分類における解釈可能な時間融合ネットワーク
- Authors: Yun Kwan Kim,
- Abstract要約: i)局所的・グローバル的抽出と(ii)局所的・グローバル的情報融合からなる枠組みを提案する。
フレームワークの性能は10クラス,4クラスの不整脈検出で評価された。
提案手法は,ローカル情報とグローバル情報の両方を有意な情報損失なく効果的に捕捉する。
- 参考スコア（独自算出の注目度）: 0.571097144710995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical decision support systems (CDSSs) have been widely utilized to support the decisions made by cardiologists when detecting and classifying arrhythmia from electrocardiograms. However, forming a CDSS for the arrhythmia classification task is challenging due to the varying lengths of arrhythmias. Although the onset time of arrhythmia varies, previously developed methods have not considered such conditions. Thus, we propose a framework that consists of (i) local and global extraction and (ii) local-global information fusion with attention to enable arrhythmia detection and classification within a constrained input length. The framework's performance was evaluated in terms of 10-class and 4-class arrhythmia detection, focusing on identifying the onset and ending point of arrhythmia episodes and their duration using the MIT-BIH arrhythmia database (MITDB) and the MIT-BIH atrial fibrillation database (AFDB). Duration, episode, and Dice score performances resulted in overall F1-scores of 96.45%, 82.05%, and 96.31% on the MITDB and 97.57%, 98.31%, and 97.45% on the AFDB, respectively. The results demonstrated statistically superior performance compared to those of the benchmark models. To assess the generalization capability of the proposed method, an MITDB-trained model and MIT-BIH malignant ventricular arrhythmia database-trained model were tested AFDB and MITDB, respectively. Superior performance was attained compared with that of a state-of-the-art model. The proposed method effectively captures both local and global information and dynamics without significant information loss. Consequently, arrhythmias can be detected with greater accuracy, and their occurrence times can be precisely determined, enabling the clinical field to develop more accurate treatment plans based on the proposed method.
- Abstract（参考訳）: 心電図による不整脈の検出・分類において, 臨床診断支援システム (CDSS) が心臓科医の意思決定を支援するために広く利用されている。
しかし,不整脈長の異なるため,不整脈分類作業のためのCDSSの作成は困難である。
不整脈の発症時間は異なるが、従来開発された手法ではそのような状態は考慮されていない。
そこで我々は,その構成する枠組みを提案する。
(i)地域的・世界的抽出・抽出
(II)不整脈の検出と制限された入力長内での分類を可能にするために,注意を伴う局所的・グローバル情報融合を行う。
MIT-BIH arrhythmia database (MITDB) とMIT-BIH atrial fibrillation database (AFDB) を用いて, 不整脈エピソードの発症点と終了点の同定に焦点をあてて, 10-class arrhythmia と 4-class arrhythmia の検出を行った。
シーズン、エピソード、Diceのスコアは合計96.45%、82.05%、96.31%がMITDBで、967.57%が98.31%がAFDBで、97.45%がAFDBで記録された。
その結果, ベンチマークモデルと比較すると, 統計的に優れた性能を示した。
提案手法の一般化能力を評価するため,MITDB訓練モデルとMIT-BIH悪性心室不整脈モデルを用いて,それぞれAFDBとMITDBを試験した。
最先端の性能は最先端のモデルと比較された。
提案手法は,ローカル情報とグローバル情報の両方を有意な情報損失なく効果的に捕捉する。
その結果、不整脈をより高精度に検出することができ、その発生時期を正確に決定することができ、提案手法に基づいて、臨床現場でより正確な治療計画を策定することができる。
関連論文リスト
- Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。
心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。
提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
論文 参考訳（メタデータ） (2025-07-24T09:40:24Z) - 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) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:34:15Z) - 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) - Local-Global Temporal Fusion Network with an Attention Mechanism for
Multiple and Multiclass Arrhythmia Classification [26.31920663404757]
本研究では, (i) 局所時間情報抽出, (ii) グローバルパターン抽出, (iii) 局所グローバル情報融合からなるフレームワークを提案する。
提案手法は,情報損失を発生させることなく,ローカル・グローバル情報やダイナミクスをキャプチャできる。
論文 参考訳（メタデータ） (2023-08-03T02:07:32Z) - Ensemble Learning of Myocardial Displacements for Myocardial Infarction
Detection in Echocardiography [15.153823114115307]
心筋梗塞の早期発見と局所化は、心臓損傷の重症度を低下させる可能性がある。
深層学習技術は心エコー画像におけるMI検出の可能性を示唆している。
本研究は,複数のセグメンテーションモデルの特徴を組み合わせ,MI分類性能を向上させるロバストな手法を提案する。
論文 参考訳（メタデータ） (2023-03-12T20:16:14Z) - 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) - Estimation of atrial fibrillation from lead-I ECGs: Comparison with
cardiologists and machine learning model (CurAlive), a clinical validation
study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。
本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文 参考訳（メタデータ） (2021-04-15T12:50:16Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。