論文の概要: Deep Neural Network for Respiratory Sound Classification in Wearable
Devices Enabled by Patient Specific Model Tuning
- arxiv url: http://arxiv.org/abs/2004.08287v1
- Date: Thu, 16 Apr 2020 15:42:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 21:30:40.290674
- Title: Deep Neural Network for Respiratory Sound Classification in Wearable
Devices Enabled by Patient Specific Model Tuning
- Title（参考訳）: 患者特定モデルチューニングによるウェアラブルデバイスの呼吸音分類のための深層ニューラルネットワーク
- Authors: Jyotibdha Acharya, Arindam Basu
- Abstract要約: メル・スペクトログラムに基づく呼吸音を分類する深層CNN-RNNモデルを提案する。
また、まず呼吸器患者をスクリーニングし、次いで患者固有の分類モデルを構築する患者特化モデルチューニング戦略を実装した。
The proposed hybrid CNN-RNN model achieves 66.31% on four-class classification of breath cycles for ICBHI'17 scientific challenge respiratory sound database。
- 参考スコア（独自算出の注目度）: 2.8935588665357077
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The primary objective of this paper is to build classification models and
strategies to identify breathing sound anomalies (wheeze, crackle) for
automated diagnosis of respiratory and pulmonary diseases. In this work we
propose a deep CNN-RNN model that classifies respiratory sounds based on
Mel-spectrograms. We also implement a patient specific model tuning strategy
that first screens respiratory patients and then builds patient specific
classification models using limited patient data for reliable anomaly
detection. Moreover, we devise a local log quantization strategy for model
weights to reduce the memory footprint for deployment in memory constrained
systems such as wearable devices. The proposed hybrid CNN-RNN model achieves a
score of 66.31% on four-class classification of breathing cycles for ICBHI'17
scientific challenge respiratory sound database. When the model is re-trained
with patient specific data, it produces a score of 71.81% for leave-one-out
validation. The proposed weight quantization technique achieves ~4X reduction
in total memory cost without loss of performance. The main contribution of the
paper is as follows: Firstly, the proposed model is able to achieve state of
the art score on the ICBHI'17 dataset. Secondly, deep learning models are shown
to successfully learn domain specific knowledge when pre-trained with breathing
data and produce significantly superior performance compared to generalized
models. Finally, local log quantization of trained weights is shown to be able
to reduce the memory requirement significantly. This type of patient-specific
re-training strategy can be very useful in developing reliable long-term
automated patient monitoring systems particularly in wearable healthcare
solutions.
- Abstract（参考訳）: 本研究の目的は,呼吸・肺疾患の自動診断のための呼吸音異常(Wheeze, crackle)を識別するための分類モデルと戦略を構築することである。
本研究では,メル・スペクトログラムに基づく呼吸音を分類する深層CNN-RNNモデルを提案する。
また,患者固有のモデルチューニング戦略を実装し,まず呼吸器患者をスクリーニングし,患者固有の分類モデルを構築し,信頼性の高い異常検出を行う。
さらに,モデル重み付けのための局所的ログ量子化戦略を考案し,ウェアラブルデバイスなどのメモリ制約付きシステムにおけるメモリフットプリントを削減する。
提案するハイブリッドcnn-rnnモデルは,icbhi'17のscientific challenge respiratory sound databaseにおいて,呼吸サイクルの4クラス分類において66.31%のスコアを得た。
モデルが患者固有のデータで再トレーニングされた場合、リセットワンアウトバリデーションのためにスコアが71.81%になる。
提案する重み量子化手法は性能を損なうことなく総メモリコストを約4倍削減する。
論文の主な貢献は以下の通りである。 まず、提案されたモデルは、IABHI'17データセット上で、アートスコアの状態を達成できる。
第二に、深層学習モデルは呼吸データで事前学習した際にドメイン固有の知識をうまく学習し、一般化されたモデルよりも優れたパフォーマンスを生み出すことが示される。
最後に、トレーニングされた重みの局所的ログ量子化は、メモリ要件を大幅に削減できることが示されている。
このような患者固有の再トレーニング戦略は、特にウェアラブルヘルスケアソリューションにおいて、信頼性の高い遠隔患者監視システムを開発する上で非常に有用である。
関連論文リスト
- Efficient Patient Fine-Tuned Seizure Detection with a Tensor Kernel Machine [4.7710033120220885]
ウェアラブルデバイスでは、そのような患者固有のデータが利用可能になるまで、通常、患者に依存しないモデルから始まる。
本稿では,テンソルカーネルマシンを用いたトランスファー学習手法を提案する。
本手法は, 正準多進分解法を用いて, 圧縮形態で主重みを学習する。
論文 参考訳（メタデータ） (2024-08-01T10:16:57Z) - Towards Open Respiratory Acoustic Foundation Models: Pretraining and Benchmarking [27.708473070563013]
呼吸器オーディオは幅広い医療応用の予測力を持っているが、現在はまだ探索されていない。
OPERA(OPEn Respiratory Acoustic foundation model Pretraining and benchmarking system)を紹介する。
論文 参考訳（メタデータ） (2024-06-23T16:04:26Z) - 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) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-11-01T14:12:58Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - RespireNet: A Deep Neural Network for Accurately Detecting Abnormal Lung
Sounds in Limited Data Setting [9.175146418979324]
我々は,小型データセットを効率的に利用する新しい手法とともに,単純なCNNベースのモデルを提案する。
我々は4クラス分類における最先端の成績を2.2%改善した。
論文 参考訳（メタデータ） (2020-10-31T05:53:37Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - A Systematic Search over Deep Convolutional Neural Network Architectures
for Screening Chest Radiographs [4.6411273009803065]
胸部X線写真は肺・胸部疾患のスクリーニングに用いられる。
近年の取り組みは、深層畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた性能ベンチマークを実証している。
複数の標準CNNアーキテクチャを体系的に探索し、分類性能がアンサンブルと同等であることが判明した単一候補モデルを特定した。
論文 参考訳（メタデータ） (2020-04-24T12:30:40Z)
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。