MambaCapsule: Towards Transparent Cardiac Disease Diagnosis with Electrocardiography Using Mamba Capsule Network

要約

不整脈は、不規則な心拍を特徴とする症状であり、多くの場合、さまざまな心臓病の初期兆候として機能します。
ディープラーニングの出現により、心電図 (ECG) 信号を使用して不整脈を診断するための多数の革新的なモデルが導入されました。
しかし、最近の研究はモデルのパフォーマンスのみに焦点を当てており、その結果の解釈は無視されています。
これは透明性の大幅な欠如につながり、実際の診断プロセスに重大なリスクをもたらします。
この問題を解決するために、この論文では、精度を高めながらモデルの説明可能性を高める、ECG 不整脈分類用のディープ ニューラル ネットワークである MambaCapsule を紹介します。私たちのモデルは、特徴抽出に Mamba を、予測にカプセル ネットワークを利用し、信頼スコアを提供するだけでなく、
信号機能も含まれます。
人間の脳の処理メカニズムと同様に、このモデルは、予測された選択で ECG 信号を再構成することによって、信号の特徴とそれらの間の関係を学習します。
モデルの評価は、AAMI 標準に従って、MIT-BIH および PTB データセットに対して実行されました。
MambaCapsule は、テスト セットでそれぞれ 99.54% と 99.59% の合計精度を達成しました。
これらの結果は、標準的なテストプロトコルの下での有望なパフォーマンスを示しています。

要約(オリジナル)

Cardiac arrhythmia, a condition characterized by irregular heartbeats, often serves as an early indication of various heart ailments. With the advent of deep learning, numerous innovative models have been introduced for diagnosing arrhythmias using Electrocardiogram (ECG) signals. However, recent studies solely focus on the performance of models, neglecting the interpretation of their results. This leads to a considerable lack of transparency, posing a significant risk in the actual diagnostic process. To solve this problem, this paper introduces MambaCapsule, a deep neural networks for ECG arrhythmias classification, which increases the explainability of the model while enhancing the accuracy.Our model utilizes Mamba for feature extraction and Capsule networks for prediction, providing not only a confidence score but also signal features. Akin to the processing mechanism of human brain, the model learns signal features and their relationship between them by reconstructing ECG signals in the predicted selection. The model evaluation was conducted on MIT-BIH and PTB dataset, following the AAMI standard. MambaCapsule has achieved a total accuracy of 99.54% and 99.59% on the test sets respectively. These results demonstrate the promising performance of under the standard test protocol.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google