論文の概要: Multi-level Stress Assessment Using Multi-domain Fusion of ECG Signal
- arxiv url: http://arxiv.org/abs/2008.05503v1
- Date: Wed, 12 Aug 2020 18:08:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 04:55:35.369296
- Title: Multi-level Stress Assessment Using Multi-domain Fusion of ECG Signal
- Title（参考訳）: ECG信号の多領域融合によるマルチレベル応力評価
- Authors: Zeeshan Ahmad and Naimul Khan
- Abstract要約: 複数のストレスレベルを持つデータセットを導入し、新しいディープラーニングアプローチを用いてこれらのレベルを分類する。
信号画像は時間周波数領域と周波数領域に変換してマルチモーダル・マルチドメイン化した。
提案された融合フレームワークとECG信号による画像変換により、平均精度は85.45%に達する。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stress analysis and assessment of affective states of mind using ECG as a
physiological signal is a burning research topic in biomedical signal
processing. However, existing literature provides only binary assessment of
stress, while multiple levels of assessment may be more beneficial for
healthcare applications. Furthermore, in present research, ECG signal for
stress analysis is examined independently in spatial domain or in transform
domains but the advantage of fusing these domains has not been fully utilized.
To get the maximum advantage of fusing diferent domains, we introduce a dataset
with multiple stress levels and then classify these levels using a novel deep
learning approach by converting ECG signal into signal images based on R-R
peaks without any feature extraction. Moreover, We made signal images
multimodal and multidomain by converting them into time-frequency and frequency
domain using Gabor wavelet transform (GWT) and Discrete Fourier Transform (DFT)
respectively. Convolutional Neural networks (CNNs) are used to extract features
from different modalities and then decision level fusion is performed for
improving the classification accuracy. The experimental results on an in-house
dataset collected with 15 users show that with proposed fusion framework and
using ECG signal to image conversion, we reach an average accuracy of 85.45%.
- Abstract（参考訳）: 心電図を生理信号として用いた心情状態のストレス分析と評価は,生体信号処理における燃えるような研究課題である。
しかし、既存の文献はストレスのバイナリ評価のみを提供しているが、複数のレベルの評価は医療アプリケーションにとってより有益かもしれない。
また, ストレス解析のためのecg信号は, 空間領域や変換領域において独立に検討されているが, それらを利用する利点は十分に活用されていない。
本稿では,複数のストレスレベルを持つデータセットを導入し,ECG信号を特徴抽出なしでR-Rピークに基づく信号画像に変換することによって,新しい深層学習手法を用いてこれらのレベルを分類する。
さらに,ガボルウェーブレット変換 (GWT) と離散フーリエ変換 (DFT) を用いて時間周波数領域と周波数領域に変換することで,信号画像のマルチモーダル化とマルチドメイン化を実現した。
畳み込みニューラルネットワーク(cnns)を用いて、異なるモダリティから特徴を抽出し、分類精度を向上させるために決定レベルの融合を行う。
15人のユーザで収集された社内データセットの実験結果から,提案された融合フレームワークとECG信号による画像変換により,平均精度85.45%に達することが示された。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - ECG Signal Denoising Using Multi-scale Patch Embedding and Transformers [6.882042556551613]
本稿では,1次元畳み込み層と変圧器アーキテクチャを組み合わせた深層学習手法を提案する。
次に、この埋め込みをトランスネットワークの入力として使用し、ECG信号をデノナイズするトランスの能力を高める。
論文 参考訳（メタデータ） (2024-07-12T03:13:52Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - ECG classification using Deep CNN and Gramian Angular Field [2.685668802278155]
提案手法は,グラム角場変換を用いた時間周波数1Dベクトルを2次元画像に変換することに基づく。
その結果,異常検出では97.47%,98.65%の分類精度が得られた。
これは、心血管疾患の診断と治療、および異常の検出に重要な意味を持つ。
論文 参考訳（メタデータ） (2023-07-25T13:26:52Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - 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) - ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。
MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。
不整脈では99.7%,MIでは99.2%の分類が得られた。
論文 参考訳（メタデータ） (2021-07-21T03:48:35Z) - Automatic detection of abnormal EEG signals using wavelet feature
extraction and gradient boosting decision tree [2.924868086534434]
多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。
本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。
CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
論文 参考訳（メタデータ） (2020-12-18T03:36:52Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。
提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
論文 参考訳（メタデータ） (2020-04-24T23:41:41Z)
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。