文献

J-GLOBAL ID：202002253947712313   整理番号：20A1956835

ロバストなエンドツーエンドECGベース心拍分類のための敵対マルチタスク学習【JST・京大機械翻訳】

Adversarial Multi-Task Learning for Robust End-to-End ECG-based Heartbeat Classification

著者 (3件)： Shahin Mostafa (University of New South Wales,School of Electrical Engineering and Telecommunications,Sydney,NSW,Australia,2052) ,  Oo Ethan (University of New South Wales,School of Electrical Engineering and Telecommunications,Sydney,NSW,Australia,2052) ,  Ahmed Beena (University of New South Wales,School of Electrical Engineering and Telecommunications,Sydney,NSW,Australia,2052)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： EMBC  ページ： 341-344  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 臨床診療において,心臓不整脈は医師によって手動で診断され,それは時間のかかるプロセスである。さらに,このプロセスは記録装置からの雑音と患者の生物学的非理想性により誤差が容易である。このように,自動不整脈分類器は,患者全体にわたってより良い一般化を提供するだけでなく,時間と費用効率が高い。本論文では,心拍不整脈分類の一般化を改善するために,敵対的マルチタスク学習法を提案した。3つのサブネットワークから成るエンドツーエンド深層ニューラルネットワーク(DNN)システムを構築した。発電機,心拍型弁別器,および被験者(または患者)識別器。これら2つの識別子の各々は,それ自身の損失機能を有し,その影響を制御する。発電機は,その損失関数を最小化することにより,その損失関数と「敵対者」を被験者識別タスクを最小化することにより,心拍型識別タスクに対して「優しい」であった。ネットワークを生ECG信号を用いて訓練し,5種類の心拍-正常心拍,右束分枝ブロック(RBBB),早期心室収縮(PVC),ペース拍動(PB)および心室と正常拍動(FVN)の融合を区別した。この方法をMIT-BIH不整脈データセットで試験し,完全接続DNN分類器を用いたベースラインと比較して分類誤差の17%低減を達成した。臨床的関連性:本研究は,診断過程において臨床医を支援するための被験者に依存しない自動心臓不整脈検出システムを開発することが可能であることを検証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  弁別器 ,  損失関数 ,  ネットワーク ,  記録装置 ,  心電図 ,  心室 ,  *心拍 ,  不整脈 ,  *エンドツーエンド方式 ,  基準線 ,  *ロバスト性
準シソーラス用語： 敵対者 ,  臨床医 ,  *マルチタスク学習 , 【Automatic Indexing@JST】

分類 (5件)： 専用演算制御装置  (JC04030Y) ,  医用画像処理  (JE04020T) ,  音声処理  (JE05000E) ,  NMR一般  (BM07041R) ,  符号理論  (ND02030R)

タイトルに関連する用語 (7件)： ロバスト ,  エンドツーエンド ,  ECG ,  心拍 ,  分類 ,  敵対 ,  マルチタスク学習