Fugu-MT 論文翻訳(概要): Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network

論文の概要: Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2002.00833v1
Date: Mon, 3 Feb 2020 15:47:00 GMT
ステータス: 処理完了
システム内更新日: 2023-01-04 08:39:17.067706
Title: Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network
Title（参考訳）: 1次元畳み込みニューラルネットワークを用いた時系列心電図信号から抽出した特徴量を用いた閉塞型睡眠時無呼吸の検出
Authors: Steven Thompson, Paul Fergus, Carl Chalmers, and Denis Reilly
Abstract要約: 本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
参考スコア（独自算出の注目度）: 0.19686770963118383
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The study in this paper presents a one-dimensional convolutional neural network (1DCNN) model, designed for the automated detection of obstructive Sleep Apnoea (OSA) captured from single-channel electrocardiogram (ECG) signals. The system provides mechanisms in clinical practice that help diagnose patients suffering with OSA. Using the state-of-the-art in 1DCNNs, a model is constructed using convolutional, max pooling layers and a fully connected Multilayer Perceptron (MLP) consisting of a hidden layer and SoftMax output for classification. The 1DCNN extracts prominent features, which are used to train an MLP. The model is trained using segmented ECG signals grouped into 5 unique datasets of set window sizes. 35 ECG signal recordings were selected from an annotated database containing 70 night-time ECG recordings. (Group A = a01 to a20 (Apnoea breathing), Group B = b01 to b05 (moderate), and Group C = c01 to c10 (normal). A total of 6514 minutes of Apnoea was recorded. Evaluation of the model is performed using a set of standard metrics which show the proposed model achieves high classification results in both training and validation using our windowing strategy, particularly W=500 (Sensitivity 0.9705, Specificity 0.9725, F1 Score 0.9717, Kappa Score 0.9430, Log Loss 0.0836, ROCAUC 0.9945). This demonstrates the model can identify the presence of Apnoea with a high degree of accuracy.
Abstract（参考訳）: 本研究では1次元畳み込みニューラルネットワーク(1DCNN)モデルを用いて,単一チャネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)を自動的に検出する。このシステムは、OSA患者の診断を支援する臨床実践のメカニズムを提供する。 1DCNNの最先端技術を用いて、モデルを畳み込み、最大プーリング層と、隠れた層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構築する。 1DCNNは、MLPのトレーニングに使用される特徴を抽出する。モデルは、設定されたウィンドウサイズの5つのユニークなデータセットにグループ化されたセグメント化されたECG信号を使用して訓練される。 35のECG信号記録が、70の夜間ECG記録を含む注釈付きデータベースから選択された。 (グループa = a01 から a20 へ、グループb = b01 から b05 へ(モデレート)、グループc = c01 から c10 へ(通常)。 Apnoeaの合計6514分が記録された。 w=500(感度09705、特異度09725、f1スコア0.09717、kappaスコア0.09430、ログロス00836、rocauc 0.9945)を用いて、提案モデルがトレーニングと検証の両方において高い分類結果を達成することを示す標準メトリクス群を用いて評価を行う。これは、モデルが高い精度でApnoeaの存在を識別できることを示している。

関連論文リスト

MPCNN: A Novel Matrix Profile Approach for CNN-based Sleep Apnea Classification [0.0]
睡眠時無呼吸症(SA)は、世界的な健康問題を引き起こす重要な呼吸器疾患である。心電図(ECG)に基づくSA診断における,いくつかの機械学習モデルとディープラーニングモデルについて検討した。本稿では,心電図信号の包括的セグメントを深く掘り下げることで,この診断ギャップに対処する革新的な手法を提案する。
論文参考訳（メタデータ） (2023-11-25T14:39:12Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
論文参考訳（メタデータ） (2023-03-06T13:26:29Z)
Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文参考訳（メタデータ） (2021-07-23T06:37:38Z)
Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文参考訳（メタデータ） (2021-03-30T09:59:56Z)
MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文参考訳（メタデータ） (2021-01-07T13:08:44Z)
Robust R-Peak Detection in Low-Quality Holter ECGs using 1D Convolutional Neural Network [20.198563425074372]
本論文ではホルターECG信号におけるRピーク検出のための汎用かつ堅牢なシステムを提案する。 1D Convolutional Neural Network(CNN)の新しい実装は、誤報の数を減らすために検証モデルと統合されています。実験の結果,CPSC-DBでは99.30%のF1スコア,99.69%のリコール,98.91%の精度が得られた。
論文参考訳（メタデータ） (2020-12-29T21:10:54Z)
SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。我々は,マルチリード信号を2次元行列として扱うことを提案する。提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文参考訳（メタデータ） (2020-12-10T08:37:44Z)
Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文参考訳（メタデータ） (2020-10-21T18:11:36Z)
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)
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。