論文の概要: Choosing a sampling frequency for ECG QRS detection using convolutional networks

• arxiv url: http://arxiv.org/abs/2007.02052v1
• Date: Sat, 4 Jul 2020 09:30:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:57:12.060012
• Title: Choosing a sampling frequency for ECG QRS detection using convolutional networks
• Title（参考訳）: 畳み込みネットワークを用いた心電図QRS検出のためのサンプリング周波数の選択
• Authors: Ahsan Habib, Chandan Karmakar, John Yearwood
• Abstract要約: 本研究では,6種類のサンプル周波数が4種類の畳み込みネットワークモデルに与える影響について検討した。 畳み込みネットワークに基づくディープラーニングモデルは、100Hzまたは250Hzの周波数でサンプリングされたECG信号に対して高いレベルの検出精度を評価することができる。
• 参考スコア（独自算出の注目度）: 1.6822770693792823
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Automated QRS detection methods depend on the ECG data which is sampled at a certain frequency, irrespective of filter-based traditional methods or convolutional network (CNN) based deep learning methods. These methods require a selection of the sampling frequency at which they operate in the very first place. While working with data from two different datasets, which are sampled at different frequencies, often, data from both the datasets may need to resample at a common target frequency, which may be the frequency of either of the datasets or could be a different one. However, choosing data sampled at a certain frequency may have an impact on the model's generalisation capacity, and complexity. There exist some studies that investigate the effects of ECG sample frequencies on traditional filter-based methods, however, an extensive study of the effect of ECG sample frequency on deep learning-based models (convolutional networks), exploring their generalisability and complexity is yet to be explored. This experimental research investigates the impact of six different sample frequencies (50, 100, 250, 500, 1000, and 2000Hz) on four different convolutional network-based models' generalisability and complexity in order to form a basis to decide on an appropriate sample frequency for the QRS detection task for a particular performance requirement. Intra-database tests report an accuracy improvement no more than approximately 0.6\% from 100Hz to 250Hz and the shorter interquartile range for those two frequencies for all CNN-based models. The findings reveal that convolutional network-based deep learning models are capable of scoring higher levels of detection accuracies on ECG signals sampled at frequencies as low as 100Hz or 250Hz while maintaining lower model complexity (number of trainable parameters and training time).
• Abstract（参考訳）: 自動QRS検出法は、フィルタベースの従来の手法や畳み込みネットワーク(CNN)ベースのディープラーニング手法にかかわらず、ある周波数でサンプリングされるECGデータに依存する。 これらの手法では、最初に操作するサンプリング周波数を選択する必要がある。 異なる周波数でサンプリングされる2つの異なるデータセットのデータを扱う一方で、両方のデータセットからのデータは共通のターゲット周波数で再サンプリングする必要がある。 しかし、ある周波数でサンプリングされたデータを選択すると、モデルの一般化能力や複雑さに影響を及ぼす可能性がある。 従来のフィルタに基づく手法に対するECGサンプル周波数の影響を調査する研究はいくつかあるが、深層学習モデル(畳み込みネットワーク)に対するECGサンプル周波数の影響に関する広範な研究は、その一般化可能性や複雑さについてはまだ検討されていない。 本研究では,4種類の畳み込みネットワークモデルに対する6種類のサンプル周波数(50,100,250,500,1000,1000,2000hz)の一般化可能性と複雑性について検討を行い,qrs検出タスクの適切なサンプル周波数を決定するための基礎を構築した。 データベース内テストでは、100Hzから250Hzまでの精度が0.6\%以上向上し、CNNベースのモデルでこれらの2つの周波数の周波数間距離が短いことが報告されている。 その結果、畳み込みネットワークに基づくディープラーニングモデルは、モデルの複雑さ(トレーニング可能なパラメータ数とトレーニング時間)を低く保ちながら、100hzまたは250hz以下の周波数でサンプリングされたecg信号に対する高いレベルの検出精度を評価できることが判明した。

関連論文リスト

• MultiWave: Multiresolution Deep Architectures through Wavelet Decomposition for Multivariate Time Series Prediction [6.980076213134384]
  MultiWaveは、信号の固有周波数で動作するコンポーネントを組み込むことで、ディープラーニング時系列モデルを強化する新しいフレームワークである。 我々は、MultiWaveが重要な特徴とその周波数成分を一貫して識別し、研究対象のアプリケーションに対する貴重な洞察を提供することを示す。
  論文  参考訳（メタデータ） (2023-06-16T20:07:15Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time Series Data [6.642599588462097]
  室内空気質(IAQ)データの異常検出は、空気の質が人間の健康と健康と密接に関連しているため、研究の重要領域となっている。 IAQ領域における異常検出における従来の統計と機械学習に基づくアプローチは、複数のデータポイントにわたる相関の観測を含む異常を検出できなかった。 本稿では,LSTMとオートエンコーダを組み合わせたハイブリッドディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-14T01:57:46Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Sampling-Frequency-Independent Audio Source Separation Using Convolution Layer Based on Impulse Invariant Method [67.24600975813419]
  単一深層ニューラルネットワークを用いて任意のサンプリング周波数を処理できる畳み込み層を提案する。 提案層の導入により,従来の音源分離モデルが未知のサンプリング周波数でも一貫して動作できることを示した。
  論文  参考訳（メタデータ） (2021-05-10T02:33:42Z)
• Complete parameter inference for GW150914 using deep learning [0.0]
  LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。 検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。 本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
  論文  参考訳（メタデータ） (2020-08-07T18:00:02Z)

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。