Fugu-MT 論文翻訳(概要): Personalized Deep Learning for Ventricular Arrhythmias Detection on Medical IoT Systems

論文の概要: Personalized Deep Learning for Ventricular Arrhythmias Detection on Medical IoT Systems

arxiv url: http://arxiv.org/abs/2008.08060v1
Date: Tue, 18 Aug 2020 17:41:58 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 21:24:26.013007
Title: Personalized Deep Learning for Ventricular Arrhythmias Detection on Medical IoT Systems
Title（参考訳）: 医療用IoTシステムにおける心室不整脈検出のためのパーソナライズドディープラーニング
Authors: Zhenge Jia, Zhepeng Wang, Feng Hong, Lichuan Ping, Yiyu Shi, Jingtong Hu
Abstract要約: 心室不整脈(VA)は突然死(SCD)の原因である医療用IoTシステム上での深層学習に基づくVA検出のためのパーソナライズされたコンピューティングフレームワークを提案する。心内および表面リズムモニターの両方でリアルタイムに推定を行う。
参考スコア（独自算出の注目度）: 17.966382901357118
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Life-threatening ventricular arrhythmias (VA) are the leading cause of sudden cardiac death (SCD), which is the most significant cause of natural death in the US. The implantable cardioverter defibrillator (ICD) is a small device implanted to patients under high risk of SCD as a preventive treatment. The ICD continuously monitors the intracardiac rhythm and delivers shock when detecting the life-threatening VA. Traditional methods detect VA by setting criteria on the detected rhythm. However, those methods suffer from a high inappropriate shock rate and require a regular follow-up to optimize criteria parameters for each ICD recipient. To ameliorate the challenges, we propose the personalized computing framework for deep learning based VA detection on medical IoT systems. The system consists of intracardiac and surface rhythm monitors, and the cloud platform for data uploading, diagnosis, and CNN model personalization. We equip the system with real-time inference on both intracardiac and surface rhythm monitors. To improve the detection accuracy, we enable the monitors to detect VA collaboratively by proposing the cooperative inference. We also introduce the CNN personalization for each patient based on the computing framework to tackle the unlabeled and limited rhythm data problem. When compared with the traditional detection algorithm, the proposed method achieves comparable accuracy on VA rhythm detection and 6.6% reduction in inappropriate shock rate, while the average inference latency is kept at 71ms.
Abstract（参考訳）: 生命を脅かす心室不整脈(va)は突然の心臓死(scd)の主要な原因であり、アメリカにおける最も重要な自然死の原因である。植込み型除細動器(ICD)は、SCDのリスクが高い患者に予防治療として移植された小型の装置である。 ICDは心内リズムを継続的に監視し、生命を脅かすVAを検出する際にショックを与える。従来の方法では、検出されたリズムの基準を設定することでVAを検出する。しかし、これらの方法は不適切なショックレートに陥り、icd受信者ごとに基準パラメータを最適化するために定期的なフォローアップが必要となる。そこで本研究では,医療用iotシステムにおける機械学習に基づくva検出のためのパーソナライズドコンピューティングフレームワークを提案する。このシステムは、心内および表面リズムモニターと、データアップロード、診断、CNNモデルのパーソナライズのためのクラウドプラットフォームで構成される。心内および表面リズムモニターの両方でリアルタイムに推定を行う。検出精度を向上させるために,協調推論を提案すれば,モニターが協調的にvaを検出することができる。また,不ラベルで限定されたリズムデータ問題に取り組むために,計算フレームワークに基づく各患者に対するcnnパーソナライゼーションを導入する。従来の検出アルゴリズムと比較して,提案手法はVAリズム検出と6.6%の不適切な衝撃率の低減に比較して精度が向上し,平均推定遅延は71msに抑えられた。

関連論文リスト

Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
Advanced Neural Network Architecture for Enhanced Multi-Lead ECG Arrhythmia Detection through Optimized Feature Extraction [0.0]
不規則な心臓リズムを特徴とする不整脈は、深刻な診断課題を呈する。本研究では,不整脈分類の複雑さに対処するために,ディープラーニング技術を活用した革新的なアプローチを提案する。
論文参考訳（メタデータ） (2024-04-13T19:56:15Z)
Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文参考訳（メタデータ） (2023-10-24T11:34:15Z)
EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文参考訳（メタデータ） (2023-10-24T02:37:49Z)
Local-Global Temporal Fusion Network with an Attention Mechanism for Multiple and Multiclass Arrhythmia Classification [26.31920663404757]
本研究では, (i) 局所時間情報抽出, (ii) グローバルパターン抽出, (iii) 局所グローバル情報融合からなるフレームワークを提案する。提案手法は,情報損失を発生させることなく,ローカル・グローバル情報やダイナミクスをキャプチャできる。
論文参考訳（メタデータ） (2023-08-03T02:07:32Z)
A Novel real-time arrhythmia detection model using YOLOv8 [0.0]
本研究は,在宅における心電図(ECG)のリアルタイム不整脈検出の可能性を明らかにするものである。我々は,MIT-BIH不整脈データセットを微調整した損失修正型YOLOv8モデルを導入し,リアルタイム連続監視を実現する。我々の研究は、リアルタイム不整脈検出の可能性を示し、ユーザーが自宅の快適さの中でモデル出力を視覚的に解釈できるようにする。
論文参考訳（メタデータ） (2023-05-26T08:27:09Z)
A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文参考訳（メタデータ） (2022-08-29T05:01:04Z)
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)
Deep Learning-Based Arrhythmia Detection Using RR-Interval Framed Electrocardiograms [9.884633954053344]
ディープラーニングは、生体認証セキュリティアプリケーションにおける個人認証を実現するために使用することができる。我々は,連続したRピーク間の距離を表す時間スライスされた心電図データを用いた不整脈検出モデルを開発した。この小型システムは、ウェアラブルデバイスやリアルタイム監視機器に実装することができる。
論文参考訳（メタデータ） (2020-12-01T09:10:24Z)
Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文参考訳（メタデータ） (2020-10-29T19:14:41Z)
Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。