論文の概要: ECG-TCN: Wearable Cardiac Arrhythmia Detection with a Temporal Convolutional Network

• arxiv url: http://arxiv.org/abs/2103.13740v1
• Date: Thu, 25 Mar 2021 10:39:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:53:34.199135
• Title: ECG-TCN: Wearable Cardiac Arrhythmia Detection with a Temporal Convolutional Network
• Title（参考訳）: ECG-TCN : 経時的畳み込みネットワークを用いたウェアラブル心不整脈検出
• Authors: Thorir Mar Ingolfsson, Xiaying Wang, Michael Hersche, Alessio Burrello, Lukas Cavigelli, Luca Benini
• Abstract要約: シングルリード心電図信号は、心不整脈を検出、分類、予測する能力を提供する。 ウェアラブルプラットフォームでの利用が可能でありながら、高い精度を実現する新しい時間的畳み込みネットワーク(TCN)を提案します。
• 参考スコア（独自算出の注目度）: 14.503893070243585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized ubiquitous healthcare solutions require energy-efficient wearable platforms that provide an accurate classification of bio-signals while consuming low average power for long-term battery-operated use. Single lead electrocardiogram (ECG) signals provide the ability to detect, classify, and even predict cardiac arrhythmia. In this paper, we propose a novel temporal convolutional network (TCN) that achieves high accuracy while still being feasible for wearable platform use. Experimental results on the ECG5000 dataset show that the TCN has a similar accuracy (94.2%) score as the state-of-the-art (SoA) network while achieving an improvement of 16.5% in the balanced accuracy score. This accurate classification is done with 27 times fewer parameters and 37 times less multiply-accumulate operations. We test our implementation on two publicly available platforms, the STM32L475, which is based on ARM Cortex M4F, and the GreenWaves Technologies GAP8 on the GAPuino board, based on 1+8 RISC-V CV32E40P cores. Measurements show that the GAP8 implementation respects the real-time constraints while consuming 0.10 mJ per inference. With 9.91 GMAC/s/W, it is 23.0 times more energy-efficient and 46.85 times faster than an implementation on the ARM Cortex M4F (0.43 GMAC/s/W). Overall, we obtain 8.1% higher accuracy while consuming 19.6 times less energy and being 35.1 times faster compared to a previous SoA embedded implementation.
• Abstract（参考訳）: パーソナライズされたユビキタス医療ソリューションは、バイオシグナルの正確な分類を提供するエネルギー効率の高いウェアラブルプラットフォームを必要とする。 シングルリード心電図(ECG)信号は、心不整脈を検出し、分類し、予測する能力を提供する。 本稿では,ウェアラブルプラットフォームでの利用が可能でありながら,高い精度を実現する新しい時間畳み込みネットワーク(TCN)を提案する。 ECG5000データセットの実験結果から、TCNは最新技術(SoA)ネットワークと同等の精度(94.2%)を示し、バランスの取れた精度スコアは16.5%向上した。 この正確な分類は、27倍のパラメータと37倍の累積演算で行われる。 我々は、ARM Cortex M4FをベースとしたSTM32L475と、1+8 RISC-V CV32E40PコアをベースとしたGAPuinoボード上のGreenWaves Technologies GAP8という2つの公開プラットフォーム上で実装をテストした。 測定によると、GAP8の実装はリアルタイムの制約を尊重し、推論毎に0.10mJを消費している。 9.91 GMAC/s/Wでは、ARM Cortex M4F (0.43 GMAC/s/W)の実装よりも23.0倍エネルギー効率が良く46.85倍速い。 全体としては、以前のsoa組み込み実装に比べて19.6倍のエネルギー消費と35.1倍の速さで、8.1%の精度が得られる。

関連論文リスト

• ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
  心筋梗塞の診断にはECG--NETが有用である。 OMIは1つ以上の冠動脈の完全閉塞を特徴とする重度の心臓発作である。 OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。
  論文  参考訳（メタデータ） (2024-05-08T19:59:16Z)
• A Tiny Transformer for Low-Power Arrhythmia Classification on Microcontrollers [10.203375838335935]
  心電図(ECG)信号のリアルタイム解析と不整脈などの心臓状態の検出に対する有望なアプローチは、トランスフォーマー機械学習モデルによって表現される。 我々は、MIT-BIH Arrhythmiaデータベースから最も一般的な5つの不整脈クラスを認識する際に、わずか6kパラメータしか必要とせず、98.97%の精度でECG信号を解析するための小さなトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-16T15:14:16Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded Systems [9.525786920713763]
  本稿では,新しい軽量な発作検出ネットワークであるEpiDeNetを紹介する。 SSWCE(Sensitivity-Specificity Weighted Cross-Entropy)は、感度と特異性を組み込んだ新たな損失関数である。 SSWCE損失と組み合わされた3ウィンドウの多数決に基づく平滑化方式は、偽陽性を1.18FP/hに3倍減少させる。
  論文  参考訳（メタデータ） (2023-08-28T11:29:51Z)
• Arrhythmia Classifier using Binarized Convolutional Neural Network for Resource-Constrained Devices [4.36031697142651]
  ECGモニタリングに適した二元化畳み込みニューラルネットワークを提案する。 ハードウェアフレンドリーで、リソースに制約のあるウェアラブルデバイスでの使用に適している。 計算速度は12.65倍、ストレージ圧縮比は24.8倍であり、メモリオーバーヘッドの4分の1しか必要としない。
  論文  参考訳（メタデータ） (2022-05-07T14:21:32Z)
• Adaptive R-Peak Detection on Wearable ECG Sensors for High-Intensity Exercise [3.7808904037372524]
  ウェアラブルセンサーによる生体信号の連続モニタリングは、医療・健康分野で急速に拡大している。 提案手法は,教師なし学習,ベイズフィルタリング,非線形正規化に基づく。 BayeSlopeは計算的に重く、デバイスバッテリーを迅速に排水できるので、その頑丈さを突然の生理的変化に適応させるオンライン設計を提案する。
  論文  参考訳（メタデータ） (2021-12-08T16:24:23Z)
• 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)
• 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)
• COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
  新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。 我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
  論文  参考訳（メタデータ） (2020-12-10T08:30:46Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Improving Efficiency in Large-Scale Decentralized Distributed Training [58.80224380923698]
  通信コストを最小化しつつ、スペクトルギャップを改善して(A)D-PSGDに基づくトレーニングを加速する手法を提案する。 提案手法の有効性を示すために,2000時間Switchboard音声認識タスクとImageNetコンピュータビジョンタスクの実験を行った。
  論文  参考訳（メタデータ） (2020-02-04T04:29:09Z)

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。