論文の概要: BayesBeat: Reliable Atrial Fibrillation Detection from Noisy Photoplethysmography Data

• arxiv url: http://arxiv.org/abs/2011.00753v2
• Date: Fri, 16 Sep 2022 12:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 12:58:13.827507
• Title: BayesBeat: Reliable Atrial Fibrillation Detection from Noisy Photoplethysmography Data
• Title（参考訳）: BayesBeat:ノイズ光胸腺画像による信頼性心房細動の検出
• Authors: Sarkar Snigdha Sarathi Das, Subangkar Karmaker Shanto, Masum Rahman, Md. Saiful Islam, Atif Rahman, Mohammad Mehedy Masud, Mohammed Eunus Ali
• Abstract要約: ノイズの多いPSG信号からAFリスクを推定するための,新しいディープラーニングベースのアプローチであるBayesBeatを提案する。 提案手法は既存の最先端手法よりも優れている。
• 参考スコア（独自算出の注目度）: 2.369492853260497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smartwatches or fitness trackers have garnered a lot of popularity as potential health tracking devices due to their affordable and longitudinal monitoring capabilities. To further widen their health tracking capabilities, in recent years researchers have started to look into the possibility of Atrial Fibrillation (AF) detection in real-time leveraging photoplethysmography (PPG) data, an inexpensive sensor widely available in almost all smartwatches. A significant challenge in AF detection from PPG signals comes from the inherent noise in the smartwatch PPG signals. In this paper, we propose a novel deep learning based approach, BayesBeat that leverages the power of Bayesian deep learning to accurately infer AF risks from noisy PPG signals, and at the same time provides an uncertainty estimate of the prediction. Extensive experiments on two publicly available dataset reveal that our proposed method BayesBeat outperforms the existing state-of-the-art methods. Moreover, BayesBeat is substantially more efficient having 40-200X fewer parameters than state-of-the-art baseline approaches making it suitable for deployment in resource constrained wearable devices.
• Abstract（参考訳）: スマートウォッチやフィットネストラッカーは、手頃で縦長のモニタリング機能のおかげで、健康管理デバイスとして人気を集めている。 健康管理能力をさらに拡大するために、近年、研究者は、ほぼすべてのスマートウォッチで広く利用可能な安価なセンサーであるPPGデータを利用して、リアルタイムに心房細動(AF)検出の可能性を調べ始めている。 PPG信号からのAF検出における重要な課題は、スマートウォッチPPG信号の固有のノイズによるものである。 本稿では,ベイズ深層学習のパワーを生かして,ノイズの多いppg信号からafリスクを正確に推定する,新しい深層学習に基づくアプローチであるベイズビートを提案する。 2つの公開データセットに関する広範囲な実験により,提案手法が既存の最先端手法よりも優れていることが判明した。 さらにbayesbeatは、最先端のベースラインアプローチよりも40〜200倍のパラメータを持つ方が効率が良く、リソース制約のあるウェアラブルデバイスへのデプロイに適している。

関連論文リスト

• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• LFPS-Net: a lightweight fast pulse simulation network for BVP estimation [4.631302854901082]
  リモート光胸腺撮影に基づく心拍推定は、健康モニタリングや疲労検出など、いくつかの特定のシナリオにおいて重要な役割を果たす。 既存の方法は、30秒の顔ビデオの最終結果として、複数の重なり合うビデオクリップの予測HRの平均を取ることにコミットする。 本稿では,高速パルスシミュレーションネットワーク(LFPS-Net)を提案する。
  論文  参考訳（メタデータ） (2022-06-25T05:24:52Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• Reducing a complex two-sided smartwatch examination for Parkinson's Disease to an efficient one-sided examination preserving machine learning accuracy [63.20765930558542]
  パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。 本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
  論文  参考訳（メタデータ） (2022-05-11T09:12:59Z)
• Inter-Beat Interval Estimation with Tiramisu Model: A Novel Approach with Reduced Error [29.672313172019624]
  本研究では,高強度動作においても,動きアーチファクト雑音を抑え,ECG信号のRピークを顕著にする深層学習手法を提案する。 提案手法は, 平均根平均二乗誤差 (RMSE) を13ミリ秒で推定し, SNRのノイズECG信号から最大-30dBまでのIBI推定を可能にする。
  論文  参考訳（メタデータ） (2021-07-01T18:39:43Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Bayesian Restoration of Audio Degraded by Low-Frequency Pulses Modeled via Gaussian Process [0.0]
  機械装置で古いビニールとグラムホンの録音を再生する際に見られる共通の欠陥は、低周波量の長いパルスである。 記録のデジタル化に対する従来のアプローチは、パルス位置の事前推定に依存する。 本稿では、パルス位置を共同で推定できる新しいベイズアプローチを提案し、パルスを開始する強い不連続性の下にあるほぼ消滅した信号を補間し、長いパルス尾を推定する。
  論文  参考訳（メタデータ） (2020-05-28T17:52:26Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• DeepBeat: A multi-task deep learning approach to assess signal quality and arrhythmia detection in wearable devices [0.0]
  我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。 我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。 2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
  論文  参考訳（メタデータ） (2020-01-01T07:41:28Z)

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。