Fugu-MT 論文翻訳(概要): End-to-End Deep Learning for Reliable Cardiac Activity Monitoring using Seismocardiograms

論文の概要: End-to-End Deep Learning for Reliable Cardiac Activity Monitoring using Seismocardiograms

arxiv url: http://arxiv.org/abs/2010.05662v1
Date: Mon, 12 Oct 2020 13:02:07 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 08:01:54.877616
Title: End-to-End Deep Learning for Reliable Cardiac Activity Monitoring using Seismocardiograms
Title（参考訳）: seismocardiogramsを用いたエンド・ツー・エンド型ディープラーニングによる心活動モニタリング
Authors: Prithvi Suresh, Naveen Narayanan, Chakilam Vijay Pranav, Vineeth Vijayaraghavan
Abstract要約: SeismoNetは、心電図(SCG)信号から心臓活動を観察するエンドツーエンドのソリューションを提供することを目指している。これらのSCG信号はモーションベースであり、簡単でユーザフレンドリーな方法で取得できる。ディープラーニングを用いることで、ノイズライディング形態にもかかわらず、SCG信号から直接Rピークを検出することができる。
参考スコア（独自算出の注目度）: 0.057350354637930076
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Continuous monitoring of cardiac activity is paramount to understanding the functioning of the heart in addition to identifying precursors to conditions such as Atrial Fibrillation. Through continuous cardiac monitoring, early indications of any potential disorder can be detected before the actual event, allowing timely preventive measures to be taken. Electrocardiography (ECG) is an established standard for monitoring the function of the heart for clinical and non-clinical applications, but its electrode-based implementation makes it cumbersome, especially for uninterrupted monitoring. Hence we propose SeismoNet, a Deep Convolutional Neural Network which aims to provide an end-to-end solution to robustly observe heart activity from Seismocardiogram (SCG) signals. These SCG signals are motion-based and can be acquired in an easy, user-friendly fashion. Furthermore, the use of deep learning enables the detection of R-peaks directly from SCG signals in spite of their noise-ridden morphology and obviates the need for extracting hand-crafted features. SeismoNet was modelled on the publicly available CEBS dataset and achieved a high overall Sensitivity and Positive Predictive Value of 0.98 and 0.98 respectively.
Abstract（参考訳）: 心活動の連続的なモニタリングは、心房細動などの病態の前駆体を同定することに加えて、心臓の機能を理解する上で重要である。心臓の連続モニタリングによって、潜在的な障害の早期の兆候を実際の事象の前に検出することができ、適切な予防措置を講じることができる。心電図(ecg)は、臨床および非臨床応用のために心臓の機能をモニターするための確立された標準であるが、その電極ベースの実装は、特に非干渉モニタリングにおいて、面倒である。そこで本研究では,心電図(SCG)信号から心臓活動を堅牢に観察するエンド・ツー・エンドのソリューションの提供を目的とした,深層畳み込みニューラルネットワークであるSeesmoNetを提案する。これらのSCG信号はモーションベースであり、簡単にユーザフレンドリーな方法で取得できる。さらに, 深層学習を用いることで, scg信号から直接rピークの検出が可能となるとともに, 手作り特徴の抽出が不要となる。 SeismoNetはCEBSデータセットをモデル化し、それぞれ0.98と0.98の総合感度と正の予測値を達成した。

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)
ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
論文参考訳（メタデータ） (2024-09-19T06:14:30Z)
MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-07T23:20:56Z)
Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals [4.056982620027252]
単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
論文参考訳（メタデータ） (2024-02-12T11:04:08Z)
TSRNet: Simple Framework for Real-time ECG Anomaly Detection with Multimodal Time and Spectrogram Restoration Network [9.770923451320938]
本稿では,異常検出を利用したトレーニング用心電図データのみを用いた不健康状態の同定手法を提案する。本稿では,心電図信号の異常検出に特化して設計されたTSRNet(Multimodal Time and Spectrogram Restoration Network)を提案する。
論文参考訳（メタデータ） (2023-12-15T20:27:38Z)
ECG-SL: Electrocardiogram(ECG) Segment Learning, a deep learning method for ECG signal [19.885905393439014]
本稿では,ECG信号の周期的性質をモデル化する新しいECG-Segment Based Learning (ECG-SL) フレームワークを提案する。この構造的特徴に基づき, 時間的モデルを用いて, 各種臨床業務の時間的情報学習を行う。提案手法はベースラインモデルより優れ,3つの臨床応用におけるタスク固有手法と比較して競争性能が向上する。
論文参考訳（メタデータ） (2023-10-01T23:17:55Z)
Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文参考訳（メタデータ） (2023-08-16T14:57:12Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
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)
ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional Neural Networks [9.410102957429705]
本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
論文参考訳（メタデータ） (2021-08-18T14:55:46Z)
Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文参考訳（メタデータ） (2021-04-29T00:11:32Z)

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。