論文の概要: Multispectral Video Fusion for Non-contact Monitoring of Respiratory
Rate and Apnea
- arxiv url: http://arxiv.org/abs/2004.09834v1
- Date: Tue, 21 Apr 2020 09:07:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 07:52:14.457059
- Title: Multispectral Video Fusion for Non-contact Monitoring of Respiratory
Rate and Apnea
- Title（参考訳）: 呼吸速度と無呼吸の非接触モニタリングのためのマルチスペクトルビデオフュージョン
- Authors: Gaetano Scebba, Giulia Da Poian, and Walter Karlen
- Abstract要約: 呼吸の非接触モニタリングは、近赤外線と遠赤外線のスペクトルカメラで達成できる。
本研究では,無呼吸時の呼吸速度(RR)を推定する多スペクトルデータ融合に基づく新しいアルゴリズムを提案する。
本研究は,医療応用におけるサインモニタリングにおけるカメラの活用に向けての一歩となる可能性がある。
- 参考スコア（独自算出の注目度）: 7.300192965401497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous monitoring of respiratory activity is desirable in many clinical
applications to detect respiratory events. Non-contact monitoring of
respiration can be achieved with near- and far-infrared spectrum cameras.
However, current technologies are not sufficiently robust to be used in
clinical applications. For example, they fail to estimate an accurate
respiratory rate (RR) during apnea. We present a novel algorithm based on
multispectral data fusion that aims at estimating RR also during apnea. The
algorithm independently addresses the RR estimation and apnea detection tasks.
Respiratory information is extracted from multiple sources and fed into an RR
estimator and an apnea detector whose results are fused into a final
respiratory activity estimation. We evaluated the system retrospectively using
data from 30 healthy adults who performed diverse controlled breathing tasks
while lying supine in a dark room and reproduced central and obstructive apneic
events. Combining multiple respiratory information from multispectral cameras
improved the root mean square error (RMSE) accuracy of the RR estimation from
up to 4.64 monospectral data down to 1.60 breaths/min. The median F1 scores for
classifying obstructive (0.75 to 0.86) and central apnea (0.75 to 0.93) also
improved. Furthermore, the independent consideration of apnea detection led to
a more robust system (RMSE of 4.44 vs. 7.96 breaths/min). Our findings may
represent a step towards the use of cameras for vital sign monitoring in
medical applications.
- Abstract（参考訳）: 呼吸活動の連続的モニタリングは、呼吸イベントを検出するために多くの臨床応用において望ましい。
近赤外および遠赤外線スペクトラムカメラでは、呼吸の非接触監視が可能である。
しかし、現在の技術は臨床応用に十分な堅牢性を持っていない。
例えば、無呼吸中に正確な呼吸速度(RR)を推定できない。
本稿では,無呼吸下でのRR推定を目的としたマルチスペクトルデータ融合に基づく新しいアルゴリズムを提案する。
このアルゴリズムはRR推定および無呼吸検出タスクに独立に対処する。
複数のソースから呼吸情報を抽出し、最終的な呼吸活動推定に結果が融合したRR推定器及び無呼吸検出器に供給する。
健常成人健常者30名を対象に,暗室に潜伏しながら多彩な呼吸作業を行い,中枢性・閉塞性無呼吸事象を再現した。
マルチスペクトルカメラからの複数の呼吸情報を組み合わせることで、rr推定の根平均二乗誤差(rmse)精度が最大4.64モノスペクトラルデータから1.60ブレス/minまで向上した。
閉塞性(0.75 - 0.86)と中枢性無呼吸(0.75 - 0.93)を分類するための中央値も改善した。
さらに、無呼吸検出の独立した考慮により、より堅牢なシステム(RMSEは4.44対7.96呼吸/分)が導かれた。
以上の知見は,医療応用におけるバイタルサインモニタリングのためのカメラの利用への一歩となるかもしれない。
関連論文リスト
- Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。
健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。
ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
論文 参考訳（メタデータ） (2024-09-05T02:14:31Z) - Pre-Trained Foundation Model representations to uncover Breathing patterns in Speech [2.935056044470713]
呼吸速度(英: respiratory rate, RR)は、個人の健康、フィットネス、健康全般を評価するために用いられる重要な指標である。
RRを測定するための既存のアプローチは、特殊装備や訓練を用いて実施されている。
機械学習アルゴリズムは、バイオセンサー信号を入力としてRRを推定できることを示した。
論文 参考訳（メタデータ） (2024-07-17T21:57:18Z) - Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and
Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the
Human Connectome Development Cohort [55.41644538483948]
本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。
その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
論文 参考訳（メタデータ） (2023-07-03T18:06:36Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - Minute ventilation measurement using Plethysmographic Imaging and
lighting parameters [8.739176372427842]
睡眠時無呼吸などの呼吸障害は、肺の酸素と二酸化炭素を含有/交換する能力が不足し、体がホメオスタシスの安定した状態にあることを保証するために、多数の個人に影響を及ぼす致命的な疾患である。
微小換気などの呼吸測定は、心拍数や心拍変動などの他の生理的測定と相関して、健康状態の遠隔監視や呼吸関連疾患の症状の検出に用いられる。
論文 参考訳（メタデータ） (2022-08-29T00:42:48Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Sleep Apnea and Respiratory Anomaly Detection from a Wearable Band and
Oxygen Saturation [1.2291501047353484]
シンプルで使いやすいデバイスから睡眠時無呼吸を自動的に検出するより便利な方法のための一般的な医学とクリティカルケアの必要性があります。
本研究の目的は, 呼吸異常を自動検出し, Apnea-Hypopnea-Index (AHI) をウェアラブル呼吸装置で推定することである。
4つのモデルが訓練された:1つは呼吸機能のみを使用し、1つはSpO2(%)信号のみから、もう1つは呼吸機能とSpO2(%)機能を使用する2つの追加モデルである。
論文 参考訳（メタデータ） (2021-02-24T02:04:57Z) - Automated Respiratory Event Detection Using Deep Neural Networks [3.489191364043618]
閉塞性無呼吸, 中枢性無呼吸, 低呼吸, 呼吸障害関連興奮症を検知するために, 単一の呼吸運動ベルトに基づいてニューラルネットワークを訓練する。
呼吸イベントを完全自動検出し, 臨床応用に十分な精度で無呼吸ハイポネア指数を評価できる。
論文 参考訳（メタデータ） (2021-01-12T17:43:17Z) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳（メタデータ） (2020-12-29T01:14:17Z) - Collaborative Three-Tier Architecture Non-contact Respiratory Rate
Monitoring using Target Tracking and False Peaks Eliminating Algorithms [10.232449356645608]
非接触呼吸モニタリング技術は、照明やモーションアーティファクトのような環境の影響に敏感であるため、精度が低い。
ユーザとクラウド間の頻繁な接触は、サービス要求の遅延と、個人情報の喪失を引き起こす可能性がある。
我々は,呼吸モニタリングの精度を高め,データ伝送遅延を低減するために,協調的な3層設計による非接触呼吸率モニタリングシステムを提案した。
論文 参考訳（メタデータ） (2020-11-17T07:33:00Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z)
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。