論文の概要: DeepBeat: A multi-task deep learning approach to assess signal quality
and arrhythmia detection in wearable devices
- arxiv url: http://arxiv.org/abs/2001.00155v2
- Date: Sat, 25 Jan 2020 05:02:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 09:20:30.223438
- Title: DeepBeat: A multi-task deep learning approach to assess signal quality
and arrhythmia detection in wearable devices
- Title（参考訳）: DeepBeat: ウェアラブルデバイスにおける信号品質と不整脈検出を評価するマルチタスクディープラーニングアプローチ
- Authors: Jessica Torres Soto, Euan Ashley
- Abstract要約: 我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。
我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。
2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wearable devices enable theoretically continuous, longitudinal monitoring of
physiological measurements like step count, energy expenditure, and heart rate.
Although the classification of abnormal cardiac rhythms such as atrial
fibrillation from wearable devices has great potential, commercial algorithms
remain proprietary and tend to focus on heart rate variability derived from
green spectrum LED sensors placed on the wrist where noise remains an unsolved
problem. Here, we develop a multi-task deep learning method to assess signal
quality and arrhythmia event detection in wearable photoplethysmography devices
for real-time detection of atrial fibrillation (AF). We train our algorithm on
over one million simulated unlabeled physiological signals and fine-tune on a
curated dataset of over 500K labeled signals from over 100 individuals from 3
different wearable devices. We demonstrate that in comparison with a
traditional random forest-based approach (precision:0.24, recall:0.58, f1:0.34,
auPRC:0.44) and a single task CNN (precision:0.59, recall:0.69, f1:0.64,
auPRC:0.68) our architecture using unsupervised transfer learning through
convolutional denoising autoencoders dramatically improves the performance of
AF detection in participants at rest (pr:0.94, rc:0.98, f1:0.96, auPRC:0.96).
In addition, we validate algorithm performance on a prospectively derived
replication cohort of ambulatory subjects using data derived from an
independently engineered device. We show that two-stage training can help
address the unbalanced data problem common to biomedical applications where
large well-annotated datasets are scarce. In conclusion, though a combination
of simulation and transfer learning and we develop and apply a multitask
architecture to the problem of AF detection from wearable wrist sensors
demonstrating high levels of accuracy and a solution for the vexing challenge
of mechanical noise.
- Abstract（参考訳）: ウェアラブルデバイスは、ステップ数、エネルギー消費、心拍数などの生理的測定を理論的に連続的に監視できる。
ウェアラブルデバイスからの心房細動のような異常な心臓リズムの分類は大きな可能性を秘めているが、商用アルゴリズムはプロプライエタリであり、ノイズが未解決の課題である手首の緑色のスペクトルledセンサーから得られる心拍変動に焦点をあてる傾向がある。
本稿では,心房細動(af)のリアルタイム検出のために,ウェアラブルフォトプレチモグラフィ装置における信号品質と不整脈イベント検出を評価するマルチタスク深層学習法を開発した。
我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。
従来のランダムフォレストベースアプローチ (precision:0.24, recall:0.58, f1:0.34, auprc:0.44) と単一タスクcnn (precision:0.59, recall:0.69, f1:0.64, auprc:0.68) と比較して,コンボリューショナルデノイジングオートエンコーダによる教師なし転送学習を用いたアーキテクチャは,rest参加者のaf検出性能を劇的に改善している(pr:0.94, rc:0.98, f1:0.96, auprc:0.96, auprc:0.96)。
さらに,独立に設計した装置から抽出したデータを用いて,前向きに導出された被検体の複製コホート上でのアルゴリズム性能を検証する。
2段階のトレーニングは、大きな注釈付きデータセットが不足している生物医学的応用に共通する不均衡なデータ問題に対処するのに役立つ。
結論として,シミュレーションとトランスファー学習を組み合わせることで,高レベルの精度を示すウェアラブル手首センサからのaf検出問題に対するマルチタスクアーキテクチャの開発と応用を行い,機械騒音の回避のための解決法を提案する。
関連論文リスト
- VAE-IF: Deep feature extraction with averaging for fully unsupervised artifact detection in routinely acquired ICU time-series [1.9665926763554147]
本稿では,事前のラベル付けや信号固有知識を使わずに,微細分解能ICUデータ中のアーティファクトを検出するための,教師なしの手法を提案する。
本手法では,変分オートエンコーダ (VAE) と孤立林 (IF) をハイブリッドモデルに組み合わせて特徴を学習し,異常を同定する。
我々の教師なしアプローチは、完全に教師付きされた手法に匹敵する感度を達成し、外部データセットによく当てはまることを示す。
論文 参考訳（メタデータ） (2023-12-10T18:03:40Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Machine Learning-based Signal Quality Assessment for Cardiac Volume
Monitoring in Electrical Impedance Tomography [0.8541111605978491]
臨床応用では、心臓の容積シグナルは、主に臨床介入中の患者の意図的な動きや避けられない動きのために、品質が低いことが多い。
本研究の目的は、運動人工物が一過性の心臓容積信号に与える影響を評価するための信号品質指標を作成することである。
提案手法は,臨床医が患者の症状に関する混乱を最小限に抑えるために,即時警告を提供するのに有効である。
論文 参考訳（メタデータ） (2023-01-04T07:13:21Z) - Arrhythmia Classifier Using Convolutional Neural Network with Adaptive
Loss-aware Multi-bit Networks Quantization [4.8538839251819486]
メモリ消費を23.36倍に削減する高圧縮率を実現する1次元適応型ロスアウェア量子化を提案する。
我々は、MIT-BIHデータセットで訓練された17種類のリズムクラスを分類するために、17層のエンドツーエンドニューラルネットワーク分類器を提案する。
本研究は,ハードウェアフレンドリーで,ウェアラブルデバイスに展開可能な1次元畳み込みニューラルネットワークを実現する。
論文 参考訳（メタデータ） (2022-02-27T14:26:41Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳（メタデータ） (2021-10-13T21:51:56Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳（メタデータ） (2021-06-03T14:09:04Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z) - DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。
提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文 参考訳（メタデータ） (2020-05-18T13:13:41Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。