論文の概要: Enhancing Atrial Fibrillation Detection Through Hyperparameter Optimization

• arxiv url: http://arxiv.org/abs/2610.40001v1
• Date: Thu, 29 Oct 2026 13:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.508598
• Title: Enhancing Atrial Fibrillation Detection Through Hyperparameter Optimization
• Title（参考訳）: ハイパーパラメータ最適化による心房細動検出の強化
• Abstract要約: 本研究では、機械学習モデルとディープラーニングモデルの両方を用いて、心房細動(AF)の検出を高める上で、ハイパーパラメータ最適化(HPO)が果たす役割について検討する。 我々は, 遺伝的アルゴリズム, ハイパーバンド, オプトゥーナ, SMAC3 の4つのHPO法を適用し, これらのモデルを微調整した。 心電図データを用いた結果, ハイパバンド最適化XGBoostモデルが他より優れ, F1スコアは96.95%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study explores the role of hyperparameter optimization (HPO) in enhancing the detection of Atrial Fibrillation (AF) using both machine learning and deep learning models. We evaluated a range of standard classifiers - Decision Tree, Random Forest, and XGBoost classifiers, alongside deep learning architectures including Recurrent Neural Networks, Deep Neural Networks, and Siamese Neural Networks. To fine-tune these models, we applied four HPO methods: Genetic Algorithm, Hyperband, Optuna, and SMAC3. The experiments were conducted using inter-patient and intra- patient data splits to assess model generalization and robustness in the presence of class imbalance, which is reflective of real-world AF occurrence. Our results, based on PhysioNet electrocardiogram datasets, showed that the Hyperband-optimized XGBoost model outperformed all others, achieving a peak F1 score of 96.95%. These findings highlight the critical role of suitable HPO strategies in enhancing the accuracy and robustness of AF classification outcomes in clinical settings.
• Abstract（参考訳）: 本研究では、機械学習モデルとディープラーニングモデルの両方を用いて、心房細動(AF)の検出を高めるために、ハイパーパラメータ最適化(HPO)が果たす役割について検討する。 我々は、リカレントニューラルネットワーク、ディープニューラルネットワーク、シームズニューラルネットワークなどのディープラーニングアーキテクチャとともに、決定木、ランダムフォレスト、XGBoost分類器の様々な標準分類器を評価した。 これらのモデルを微調整するために、遺伝的アルゴリズム、ハイパーバンド、オプトゥーナ、SMAC3の4つのHPO手法を適用した。 実際のAF発生を反映したクラス不均衡の存在下でのモデル一般化とロバスト性を評価するために,患者間および患者内データ分割を用いて実験を行った。 心電図データを用いた結果, ハイパバンド最適化XGBoostモデルが他より優れ, F1スコアは96.95%であった。 以上の結果から,臨床現場におけるAF分類の精度と堅牢性を高めるためのHPO戦略の重要性が示唆された。

関連論文リスト

• Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation [7.708113178862228]
  本研究では,自動不整脈分類のためのディープニューラルネットワークアーキテクチャの包括的評価を行う。 マイノリティクラスにおけるデータの不足に対処するため、MIT-BIH ArrhythmiaデータセットはGenerative Adversarial Network (GAN)を使用して拡張された。 我々は、CNN(Convolutional Neural Networks)、CNNとLong Short-Term Memory(CNN-LSTM)、CNN-LSTM with Attention(CNN-LSTM)、ResNet-1D(ResNet-1D)の4つの異なるアーキテクチャを開発し比較した。
  論文  参考訳（メタデータ） (2026-02-07T06:56:50Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
  術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。 CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。 提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
  論文  参考訳（メタデータ） (2025-12-12T08:02:37Z)
• Recognition of Dysarthria in Amyotrophic Lateral Sclerosis patients using Hypernetworks [7.182245711235296]
  変形の認識にハイパーネットを取り入れた最初の研究について述べる。 具体的には、オーディオファイルを使用し、それをlog-Mel Spectrogram、delta、delta-deltaに変換し、トレーニング済みの修正AlexNetモデルに渡します。 その結果,提案手法の精度は82.66%に向上した。
  論文  参考訳（メタデータ） (2025-02-27T15:57:37Z)
• Feasibility Analysis of Federated Neural Networks for Explainable Detection of Atrial Fibrillation [1.6053176639259055]
  心房細動 (AFib) の早期発見は, 無症候性, 発作性に困難である。 本研究は、生のECGデータを用いてAFibを検出するために、フェデレートラーニング(FL)プラットフォーム上でニューラルネットワークをトレーニングする可能性を評価する。
  論文  参考訳（メタデータ） (2024-10-14T15:06:10Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• Accurate Detection of Paroxysmal Atrial Fibrillation with Certified-GAN and Neural Architecture Search [1.1744028458220426]
  発作性心房細動(PxAF)検出のための新しい機械学習フレームワークを提案する。 このフレームワークにはGAN(Generative Adversarial Network)とNAS(Neural Architecture Search)が含まれている。 実験の結果,提案手法の精度は99%と高い値を示した。
  論文  参考訳（メタデータ） (2023-01-17T14:04:17Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Generative Autoencoder Kernels on Deep Learning for Brain Activity Analysis [3.04585143845864]
  HessELM-AE (Hessenberg decomposition-based ELM autoencoder) は、入力データの異なる表示を生成する新しいカーネルである。 本研究の目的は、脳卒中患者の脳波(EEG)に対する臨床的有用性のための新しいDeep AEカーネルの性能を分析することである。
  論文  参考訳（メタデータ） (2021-01-21T08:19:47Z)

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。