論文の概要: An IoT Framework for Heart Disease Prediction based on MDCNN Classifier

• arxiv url: http://arxiv.org/abs/2012.05999v1
• Date: Thu, 10 Dec 2020 22:00:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 08:30:01.928627
• Title: An IoT Framework for Heart Disease Prediction based on MDCNN Classifier
• Title（参考訳）: MDCNN分類器を用いた心疾患予測のためのIoTフレームワーク
• Authors: Mohammad Ayoub Khan
• Abstract要約: IoTフレームワークは、Deep Modified Convolutional Neural Network(MDCNN)を用いて心臓病をより正確に評価する。 患者に取り付けられたスマートウォッチと心臓モニター装置は、血圧と心電図(ECG)を監視します。 その結果, MDCNN を用いた心疾患予測システムは, 他の方法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, heart disease is the leading cause of death worldwide. Predicting heart disease is a complex task since it requires experience along with advanced knowledge. Internet of Things (IoT) technology has lately been adopted in healthcare systems to collect sensor values for heart disease diagnosis and prediction. Many researchers have focused on the diagnosis of heart disease, yet the accuracy of the diagnosis results is low. To address this issue, an IoT framework is proposed to evaluate heart disease more accurately using a Modified Deep Convolutional Neural Network (MDCNN). The smartwatch and heart monitor device that is attached to the patient monitors the blood pressure and electrocardiogram (ECG). The MDCNN is utilized for classifying the received sensor data into normal and abnormal. The performance of the system is analyzed by comparing the proposed MDCNN with existing deep learning neural networks and logistic regression. The results demonstrate that the proposed MDCNN based heart disease prediction system performs better than other methods. The proposed method shows that for the maximum number of records, the MDCNN achieves an accuracy of 98.2 which is better than existing classifiers.
• Abstract（参考訳）: 現在、心臓病が世界中で死因となっている。 高度な知識とともに経験を必要とするため、心臓病の予測は複雑な作業である。 IoT(Internet of Things)技術は近年,心臓疾患の診断と予測のためのセンサ値収集に採用されている。 多くの研究者は心疾患の診断に焦点を当てているが、診断結果の正確さは低い。 この問題に対処するため、MDCNN(Modified Deep Convolutional Neural Network)を用いて、心疾患をより正確に評価するためのIoTフレームワークが提案されている。 患者に取り付けられたスマートウォッチ及び心臓モニタ装置は、血圧と心電図(ECG)を監視する。 MDCNNは、受信したセンサデータを正常かつ異常に分類するために使用される。 本システムの性能は,提案するmdcnnと既存のディープラーニングニューラルネットワーク,ロジスティック回帰を比較して解析する。 その結果, MDCNN を用いた心疾患予測システムは, 他の方法よりも優れていた。 提案手法は,最大レコード数に対して,既存の分類器よりも優れた98.2の精度が得られることを示す。

関連論文リスト

• Continuous 3D Myocardial Motion Tracking via Echocardiography [30.19879953016694]
  心筋運動追跡は、心臓血管疾患の予防と検出に不可欠な臨床ツールである。 現在の技術は、空間次元と時間次元の両方において、心筋の不完全かつ不正確な運動推定に悩まされている。 本稿では, 心臓の3次元構造と包括的6次元前/後方運動をモデル化するためのニューラル心運動場(ニューラルCMF)について紹介する。
  論文  参考訳（メタデータ） (2023-10-04T13:11:20Z)
• Understanding of Normal and Abnormal Hearts by Phase Space Analysis and Convolutional Neural Networks [0.0]
  彼のPurkinjeネットワークは、正常な人間の心臓のパワースペクトルを分析するのに使われている。 CNNs法はMLIIで記録されたMIT-BIHデータベースを介して44レコードに適用される。 バイナリCNN分類は、健康な心臓または不健康な心臓を決定するために用いられる。
  論文  参考訳（メタデータ） (2023-05-16T19:52:40Z)
• HeartBEiT: Vision Transformer for Electrocardiogram Data Improves Diagnostic Performance at Low Sample Sizes [28.88454028731653]
  心電図波形解析のための第1の視覚ベーストランスモデルHeartBEiTを開発した。 その結果,HeartBEiTは,他のモデルに比べて試料サイズが小さく,高い性能を示した。 また、HeartBEiTは、EKGと標準CNNの生物学的関連領域を強調することにより、診断の説明可能性を向上させることを示した。
  論文  参考訳（メタデータ） (2022-12-13T16:39:21Z)
• 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)
• FCM-DNN: diagnosing coronary artery disease by deep accuracy Fuzzy C-Means clustering model [0.5340189314359047]
  提案したFCM-DNNモデルは99.91%の精度で10個のクラスタ、すなわち健康な被験者に5個のクラスタ、病気患者に5個のクラスタを特定できる。 その結果,提案したFCM-DNNモデルが科学・研究センターに有用であることが確認された。
  論文  参考訳（メタデータ） (2022-02-09T06:41:44Z)
• 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)
• Attention based CNN-LSTM Network for Pulmonary Embolism Prediction on Chest Computed Tomography Pulmonary Angiograms [22.62583095023903]
  肺塞栓症(PE)は最も致命的な心血管疾患の一つである。 PE予測のための2段階注目型CNN-LSTMネットワークを提案する。 本フレームワークはマルチスライス手法を用いて放射線診断プロセスのミラーリングを行う。
  論文  参考訳（メタデータ） (2021-07-13T17:58:15Z)
• Group Feature Learning and Domain Adversarial Neural Network for aMCI Diagnosis System Based on EEG [25.029697750437094]
  軽度認知障害(mci)の診断はアルツハイマー病(ad)の予防に有効な手段であると考えられている 人間の要因の影響を排除し、より高い精度を得るには、ロボット診断システムを開発する必要があります。 本研究では、Amnestic MCI(aMCI)診断のためのグループ特徴領域逆ニューラルネットワーク(GF-DANN)を提案する。
  論文  参考訳（メタデータ） (2021-04-28T08:08:32Z)
• 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)
• A Novel Approach to the Diagnosis of Heart Disease using Machine Learning and Deep Neural Networks [0.0]
  本研究の目的は、機械学習(ML)とディープニューラルネットワーク(DNN)アルゴリズムを用いた心臓疾患診断のためのアプリケーションを開発することである。 このアプリケーションは、Frask上で動作し、DNNを使用してBootstrapを利用するように開発され、Random Forest MLモデルよりも92%の精度で実行された。
  論文  参考訳（メタデータ） (2020-07-25T19:08:04Z)
• Improve robustness of DNN for ECG signal classification:a noise-to-signal ratio perspective [2.2977141788872366]
  深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。 DNNは敵の攻撃に対して非常に脆弱である。 本研究では,雑音-信号比(NSR)の観点からDNNのロバスト性を改善することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T23:37:33Z)

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。