論文の概要: Automated Respiratory Event Detection Using Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2101.04635v1
- Date: Tue, 12 Jan 2021 17:43:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:34:10.101648
- Title: Automated Respiratory Event Detection Using Deep Neural Networks
- Title（参考訳）: 深層ニューラルネットワークを用いた呼吸イベントの自動検出
- Authors: Thijs E Nassi, Wolfgang Ganglberger, Haoqi Sun, Abigail A Bucklin,
Siddharth Biswal, Michel J A M van Putten, Robert J Thomas, M Brandon
Westover
- Abstract要約: 閉塞性無呼吸, 中枢性無呼吸, 低呼吸, 呼吸障害関連興奮症を検知するために, 単一の呼吸運動ベルトに基づいてニューラルネットワークを訓練する。
呼吸イベントを完全自動検出し, 臨床応用に十分な精度で無呼吸ハイポネア指数を評価できる。
- 参考スコア（独自算出の注目度）: 3.489191364043618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The gold standard to assess respiration during sleep is polysomnography; a
technique that is burdensome, expensive (both in analysis time and measurement
costs), and difficult to repeat. Automation of respiratory analysis can improve
test efficiency and enable accessible implementation opportunities worldwide.
Using 9,656 polysomnography recordings from the Massachusetts General Hospital
(MGH), we trained a neural network (WaveNet) based on a single respiratory
effort belt to detect obstructive apnea, central apnea, hypopnea and
respiratory-effort related arousals. Performance evaluation included
event-based and recording-based metrics - using an apnea-hypopnea index
analysis. The model was further evaluated on a public dataset, the
Sleep-Heart-Health-Study-1, containing 8,455 polysomnographic recordings. For
binary apnea event detection in the MGH dataset, the neural network obtained an
accuracy of 95%, an apnea-hypopnea index $r^2$ of 0.89 and area under the curve
for the receiver operating characteristics curve and precision-recall curve of
0.93 and 0.74, respectively. For the multiclass task, we obtained varying
performances: 81% of all labeled central apneas were correctly classified,
whereas this metric was 46% for obstructive apneas, 29% for respiratory effort
related arousals and 16% for hypopneas. The majority of false predictions were
misclassifications as another type of respiratory event. Our fully automated
method can detect respiratory events and assess the apnea-hypopnea index with
sufficient accuracy for clinical utilization. Differentiation of event types is
more difficult and may reflect in part the complexity of human respiratory
output and some degree of arbitrariness in the clinical thresholds and criteria
used during manual annotation.
- Abstract（参考訳）: 睡眠中の呼吸を評価するゴールドスタンダードはポリソムノグラフィ(polysomnography)であり、重荷が高く(分析時間と測定コストの両方において)、繰り返すのが困難である。
呼吸分析の自動化は、テスト効率を改善し、世界中で利用可能な実装機会を可能にする。
マサチューセッツ総合病院(MGH)の9,656個のポリソムノグラフィー記録を用いて, 閉塞性無呼吸, 中枢性無呼吸, 低呼吸, 呼吸自覚関連覚醒を検出するため, 単一呼吸帯に基づくニューラルネットワーク(WaveNet)を訓練した。
パフォーマンス評価には、apnea-hypopnea index分析を用いたイベントベースおよび記録ベースのメトリクスが含まれる。
このモデルは8,455枚のポリソノグラフィー記録を含む公開データセットであるSleep-Heart-Health-Study-1でさらに評価された。
MGHデータセットの2次無呼吸事象検出には、95%の精度、0.89のアパネ-ハイパネ指数$r^2$、レシーバ動作特性曲線の曲線下領域、0.93と0.74の精度-リコール曲線が得られた。
マルチクラスタスクでは,全ラベル付き中枢性無呼吸の81%が正しく分類され,この指標は閉塞性無呼吸の46%,呼吸時無呼吸の29%,低呼吸の16%であった。
誤った予測の大部分は、別の種類の呼吸イベントとして誤分類であった。
呼吸イベントを完全自動検出し, 臨床応用に十分な精度で無呼吸ハイポネア指数を評価できる。
イベントタイプの分化はより困難であり、人間の呼吸アウトプットの複雑さと、手動アノテーションで使用される臨床閾値と基準のある程度の任意性を反映している可能性がある。
関連論文リスト
- Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。
健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。
ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
論文 参考訳（メタデータ） (2024-09-05T02:14:31Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - SomnNET: An SpO2 Based Deep Learning Network for Sleep Apnea Detection
in Smartwatches [3.2116198597240846]
末梢酸素飽和信号から睡眠時無呼吸症候群(呼吸障害)を検出する新しい方法について検討した。
そこで,SomnNETと呼ぶ1次元畳み込みニューラルネットワークを開発した。
このネットワークは97.08%の精度を示し、いくつかの低分解能アパネ検出法より優れている。
論文 参考訳（メタデータ） (2021-08-25T20:49:49Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Sleep Apnea and Respiratory Anomaly Detection from a Wearable Band and
Oxygen Saturation [1.2291501047353484]
シンプルで使いやすいデバイスから睡眠時無呼吸を自動的に検出するより便利な方法のための一般的な医学とクリティカルケアの必要性があります。
本研究の目的は, 呼吸異常を自動検出し, Apnea-Hypopnea-Index (AHI) をウェアラブル呼吸装置で推定することである。
4つのモデルが訓練された:1つは呼吸機能のみを使用し、1つはSpO2(%)信号のみから、もう1つは呼吸機能とSpO2(%)機能を使用する2つの追加モデルである。
論文 参考訳（メタデータ） (2021-02-24T02:04:57Z) - A Clinical Evaluation of a Low-Cost Strain Gauge Respiration Belt and
Machine Learning to Detect Sleep Apnea [0.7101004731620997]
睡眠時無呼吸は重篤かつ診断下にある睡眠関連呼吸障害である。
医師がポリソムノグラフィーを処方するかどうかを決定することは困難です。
完全な夜のデータは、スマートフォンで約1秒で分析できます。
論文 参考訳（メタデータ） (2021-01-07T15:38:28Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳（メタデータ） (2020-12-29T01:14:17Z) - 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) - Multispectral Video Fusion for Non-contact Monitoring of Respiratory
Rate and Apnea [7.300192965401497]
呼吸の非接触モニタリングは、近赤外線と遠赤外線のスペクトルカメラで達成できる。
本研究では,無呼吸時の呼吸速度(RR)を推定する多スペクトルデータ融合に基づく新しいアルゴリズムを提案する。
本研究は,医療応用におけるサインモニタリングにおけるカメラの活用に向けての一歩となる可能性がある。
論文 参考訳（メタデータ） (2020-04-21T09:07:09Z) - Automatic scoring of apnea and hypopnea events using blood oxygen
saturation signals [0.0]
DAS-KSVDを用いて、睡眠健康研究データベースから得られた信号から無呼吸および低呼吸の事象を検出し分類した。
中等度から重度のOSAHスクリーニングでは、それぞれ0.957の曲線と87.56%と88.32%の診断感度と特異性を示す特性曲線解析を行う。
論文 参考訳（メタデータ） (2020-03-22T15:17:20Z)
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。