論文の概要: A New AFIB Detection Method with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2610.39665v1
• Date: Thu, 29 Oct 2026 09:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.483702
• Title: A New AFIB Detection Method with Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークを用いた新しいAFIB検出法
• Abstract要約: 心房細動(AFIB)の早期発見は、毎年数千人の命を救う可能性がある。 本稿では,AFIB検出の精度を高める新しい,ロバストな手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0538441598991272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of atrial fibrillation (AFIB), characterized by irregular heart rhythms, can potentially save thousands of lives annually [20]. Numerous studies have attempted to address this challenge using various algorithms and methodologies. This paper introduces a novel and robust method that enhances the precision of AFIB detection. Neural Networks (NN) are widely recognized for their ability to identify complex electrocardiogram (ECG) patterns, facilitating the accurate detection of irregular heart rhythms. This study explores multiple conventional machine learning algorithms alongside neural network approaches to develop a robust AFIB detection system. To evaluate the effective- ness and robustness of the proposed method, the MIT BIH arrhythmia database (MITDB) and the Long-term Atrial Fibrillation Database (LTAFDB), both available on the Physionet site. Our approach presents a novel feature engineering technique, employing specific features such as a time series of the differences in successive heart rates (dBPM) rather than traditional inter-beat intervals. The model analyzes inputs labeled into five distinct classes, using only clean intervals identified through a new labeling method for training while treating others as outliers. This strategy ensures a more accurate and reliable AFIB detection process. The best-performing model, a Deep Neural Network (DNN), achieved an F1 score of 95.18% for binary atrial fibrillation classification on a benchmark dataset distinct from the training set. Models trained using our approach have demonstrated superior performance than previously published models.
• Abstract（参考訳）: 不整脈を特徴とする心房細動(AFIB)の早期発見は, 毎年数千人の命を救う可能性がある[20]。 多くの研究が様々なアルゴリズムと方法論を用いてこの問題に対処しようと試みている。 本稿では,AFIB検出の精度を高める新しい,ロバストな手法を提案する。 ニューラルネットワーク(NN)は、複雑な心電図(ECG)パターンを同定し、不規則な心臓リズムの正確な検出を容易にすることで広く認識されている。 本研究では、ニューラルネットワークと併用して複数の従来の機械学習アルゴリズムを探索し、ロバストなAFIB検出システムを開発した。 提案手法の有効性と堅牢性を評価するため,MIT BIH arrhythmia database (MITDB) とLTAFDB (Long-term Atrial Fibrillation Database) がPhysonetサイトで利用可能である。 本手法では,従来の心拍間隔ではなく連続心拍数(dBPM)の時系列などの特徴を取り入れた,新しい特徴工学手法を提案する。 モデルは5つの異なるクラスにラベル付けされた入力を分析し、新しいラベル付け手法によって識別されたクリーンインターバルのみを使用して、他の人をアウトリーチとして扱う。 この戦略により、より正確で信頼性の高いAFIB検出プロセスが保証される。 最高のパフォーマンスモデルであるDeep Neural Network (DNN)は、トレーニングセットとは異なるベンチマークデータセット上のバイナリ心房細動分類において、F1スコア95.18%を達成した。 提案手法を用いて訓練したモデルでは,従来よりも優れた性能を示した。

関連論文リスト

• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [7.136933021609078]
  本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。 まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。 第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• Advanced Neural Network Architecture for Enhanced Multi-Lead ECG Arrhythmia Detection through Optimized Feature Extraction [0.0]
  不規則な心臓リズムを特徴とする不整脈は、深刻な診断課題を呈する。 本研究では,不整脈分類の複雑さに対処するために,ディープラーニング技術を活用した革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-13T19:56:15Z)
• 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)
• Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
  多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。 これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。 F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
  論文  参考訳（メタデータ） (2023-04-13T03:20:45Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
  本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。 各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
  論文  参考訳（メタデータ） (2022-08-29T05:01:04Z)
• ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks [9.410102957429705]
  本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。 我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。 実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-18T14:55:46Z)
• Multi-Sample Online Learning for Spiking Neural Networks based on Generalized Expectation Maximization [42.125394498649015]
  スパイキングニューラルネットワーク(SNN)は、バイナリニューラルダイナミックアクティベーションを通じて処理することで、生物学的脳の効率の一部をキャプチャする。 本稿では, シナプス重みを共有しながら, 独立したスパイキング信号をサンプリングする複数のコンパートメントを活用することを提案する。 鍵となる考え方は、これらの信号を使ってログライクなトレーニング基準のより正確な統計的推定と勾配を求めることである。
  論文  参考訳（メタデータ） (2021-02-05T16:39:42Z)
• 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。