論文の概要: Robust R-Peak Detection in Low-Quality Holter ECGs using 1D
Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2101.01666v1
- Date: Tue, 29 Dec 2020 21:10:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 22:38:34.040682
- Title: Robust R-Peak Detection in Low-Quality Holter ECGs using 1D
Convolutional Neural Network
- Title(参考訳): 1次元畳み込みニューラルネットワークによる低品質ホルター心電図のロバストRピーク検出
- Authors: Muhammad Uzair Zahid, Serkan Kiranyaz, Turker Ince, Ozer Can
Devecioglu, Muhammad E. H. Chowdhury, Amith Khandakar, Anas Tahir and Moncef
Gabbouj
- Abstract要約: 本論文ではホルターECG信号におけるRピーク検出のための汎用かつ堅牢なシステムを提案する。
1D Convolutional Neural Network(CNN)の新しい実装は、誤報の数を減らすために検証モデルと統合されています。
実験の結果,CPSC-DBでは99.30%のF1スコア,99.69%のリコール,98.91%の精度が得られた。
- 参考スコア(独自算出の注目度): 20.198563425074372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noise and low quality of ECG signals acquired from Holter or wearable devices
deteriorate the accuracy and robustness of R-peak detection algorithms. This
paper presents a generic and robust system for R-peak detection in Holter ECG
signals. While many proposed algorithms have successfully addressed the problem
of ECG R-peak detection, there is still a notable gap in the performance of
these detectors on such low-quality ECG records. Therefore, in this study, a
novel implementation of the 1D Convolutional Neural Network (CNN) is used
integrated with a verification model to reduce the number of false alarms. This
CNN architecture consists of an encoder block and a corresponding decoder block
followed by a sample-wise classification layer to construct the 1D segmentation
map of R- peaks from the input ECG signal. Once the proposed model has been
trained, it can solely be used to detect R-peaks possibly in a single channel
ECG data stream quickly and accurately, or alternatively, such a solution can
be conveniently employed for real-time monitoring on a lightweight portable
device. The model is tested on two open-access ECG databases: The China
Physiological Signal Challenge (2020) database (CPSC-DB) with more than one
million beats, and the commonly used MIT-BIH Arrhythmia Database (MIT-DB).
Experimental results demonstrate that the proposed systematic approach achieves
99.30% F1-score, 99.69% recall, and 98.91% precision in CPSC-DB, which is the
best R-peak detection performance ever achieved. Compared to all competing
methods, the proposed approach can reduce the false-positives and
false-negatives in Holter ECG signals by more than 54% and 82%, respectively.
Results also demonstrate similar or better performance than most competing
algorithms on MIT-DB with 99.83% F1-score, 99.85% recall, and 99.82% precision.
- Abstract(参考訳): ホルターやウェアラブルデバイスから取得したECG信号のノイズと低品質は、Rピーク検出アルゴリズムの精度と堅牢性を低下させる。
本稿では,ホルターECG信号におけるRピーク検出のための汎用的で堅牢なシステムを提案する。
多くの提案アルゴリズムは、ECG R-peak検出の問題をうまく解決しているが、これらの検出器の性能は、そのような低品質のECGレコード上での顕著な差がある。
そこで本研究では,1次元畳み込みニューラルネットワーク(CNN)の新たな実装を検証モデルに統合し,誤報数を削減する。
このCNNアーキテクチャは、入力ECG信号からRピークの1次元分割マップを構築するために、エンコーダブロックと対応するデコーダブロックと、サンプルワイズ分類層とから構成される。
提案されたモデルをトレーニングすれば、単一のチャネルecgデータストリーム内のrピークを迅速かつ正確に検出するだけでなく、軽量なポータブルデバイス上でのリアルタイム監視に利用することもできる。
このモデルは、100万回以上のビートを持つ中国生理信号挑戦データベース(CPSC-DB)と、一般的に使用されるMIT-BIH Arrhythmia Database(MIT-DB)の2つのオープンアクセスECGデータベースでテストされている。
実験の結果、提案手法は99.30%のF1スコア、99.69%のリコール、98.91%の精度でCPSC-DBが達成された。
競合する全ての手法と比較して、ホルター心電図信号の偽陽性と偽陰性はそれぞれ54%以上、偽陰性は82%以上減少する。
結果は、ほとんどのmit-dbの競合アルゴリズムと99.83%のf1-score、99.85%のリコール、99.82%の精度で同等または優れた性能を示している。
関連論文リスト
- Global ECG Classification by Self-Operational Neural Networks with
Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。
我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。
提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文 参考訳(メタデータ) (2022-04-07T22:49:18Z) - Effective classification of ecg signals using enhanced convolutional
neural network in iot [0.0]
本稿では、動的ソースルーティング(DSR)とエネルギーリンク品質(REL)に基づくIoTヘルスケアプラットフォームのためのルーティングシステムを提案する。
Deep-ECGは、重要な特徴を抽出するためにディープCNNを使用し、単純かつ高速な距離関数を用いて比較する。
その結果,提案手法は分類精度において他よりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-02-08T13:37:23Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。
第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。
第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文 参考訳(メタデータ) (2021-08-12T12:47:43Z) - Ensemble of Convolution Neural Networks on Heterogeneous Signals for
Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。
最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文 参考訳(メタデータ) (2021-07-23T06:37:38Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳(メタデータ) (2021-06-03T14:09:04Z) - Robust learning from corrupted EEG with dynamic spatial filtering [68.82260713085522]
実験室の外で記録されたEEGを使用して機械学習モデルを構築するには、ノイズの多いデータとランダムに欠落するチャネルにロバストな方法が必要である。
ニューラルネットワークの第1層の前に挿入可能なマルチヘッドアテンションモジュールである動的空間フィルタリング(DSF)を提案する。
筆者らは, チャネル汚損を模擬した4000件の録音を含む公開脳波データと, 自然汚損をともなう移動脳波の自家記録100件のプライベートデータセットを用いて, DSFを試験した。
論文 参考訳(メタデータ) (2021-05-27T02:33:16Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳(メタデータ) (2021-03-30T09:59:56Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳(メタデータ) (2021-01-24T19:03:10Z) - SE-ECGNet: A Multi-scale Deep Residual Network with
Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。
我々は,マルチリード信号を2次元行列として扱うことを提案する。
提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文 参考訳(メタデータ) (2020-12-10T08:37:44Z) - 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)
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。