論文の概要: Fitbeat: COVID-19 Estimation based on Wristband Heart Rate

• arxiv url: http://arxiv.org/abs/2104.09263v1
• Date: Mon, 19 Apr 2021 13:08:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-04-20 13:26:50.921826
• Title: Fitbeat: COVID-19 Estimation based on Wristband Heart Rate
• Title（参考訳）: fitbeat:リストバンド心拍数に基づく新型コロナウイルスの推計
• Abstract要約: 本研究では,新型コロナウイルス感染の疑いのある個人を同定する深層学習手法の可能性について検討した。 参加者はfitbitのリストバンドを使って心拍データを収集した。
• 参考スコア（独自算出の注目度）: 15.550897317833996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates the potential of deep learning methods to identify individuals with suspected COVID-19 infection using remotely collected heart-rate data. The study utilises data from the ongoing EU IMI RADAR-CNS research project that is investigating the feasibility of wearable devices and smart phones to monitor individuals with multiple sclerosis (MS), depression or epilepsy. Aspart of the project protocol, heart-rate data was collected from participants using a Fitbit wristband. The presence of COVID-19 in the cohort in this work was either confirmed through a positive swab test, or inferred through the self-reporting of a combination of symptoms including fever, respiratory symptoms, loss of smell or taste, tiredness and gastrointestinal symptoms. Experimental results indicate that our proposed contrastive convolutional auto-encoder (contrastive CAE), i. e., a combined architecture of an auto-encoder and contrastive loss, outperforms a conventional convolutional neural network (CNN), as well as a convolutional auto-encoder (CAE) without using contrastive loss. Our final contrastive CAE achieves 95.3% unweighted average recall, 86.4% precision, anF1 measure of 88.2%, a sensitivity of 100% and a specificity of 90.6% on a testset of 19 participants with MS who reported symptoms of COVID-19. Each of these participants was paired with a participant with MS with no COVID-19 symptoms.
• Abstract（参考訳）: 本研究では、遠隔で収集した心拍データを用いて、新型コロナウイルスの疑いのある個人を同定する深層学習手法の可能性について検討した。 この研究は、現在進行中のEU IMI RADAR-CNS研究プロジェクトのデータを利用して、複数の硬化症(MS)、うつ病、てんかんの患者を監視するウェアラブルデバイスとスマートフォンの実現可能性を調査している。 プロジェクトプロトコルの一部として、Fitbitリストバンドを使用して参加者から心拍データを収集した。 この研究におけるcohortにおけるcovid-19の存在は、陽性のswabテストを通じて確認するか、発熱、呼吸器症状、匂いや味の喪失、疲労、消化管症状などの症状の組み合わせを自己報告することによって推測された。 実験結果から,従来の畳み込みニューラルネットワーク(CNN)と,コントラスト的損失を使わずに畳み込み自己エンコーダ(CAE)とを併用したコントラスト的自己エンコーダ(コントラスト的CAE)が,従来の畳み込みニューラルネットワーク(CNN)より優れていたことが示唆された。 最終コントラストのCAEは95.3%の非重み付き平均リコール、86.4%の精度、aF1の88.2%、100%の感度、90.6%の特異性を達成した。 参加者はそれぞれ、新型コロナウイルスの症状のないMSの参加者とペアを組んだ。

関連論文リスト

• Characterizing TMS-EEG perturbation indexes using signal energy: initial study on Alzheimer's Disease classification [48.42347515853289]
  経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。 本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-29T19:27:06Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
  我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。 この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
  論文  参考訳（メタデータ） (2021-05-14T11:59:47Z)
• 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)
• Detection of COVID-19 Using Heart Rate and Blood Pressure: Lessons Learned from Patients with ARDS [2.257929280955475]
  米国の感染者数は世界最高(790万人)。 カリフォルニア大学ヘルスセンター5校に入院した70人のARDS患者の血圧と心拍数の長期記録を分析した。 データの最初の8日だけで、私たちのディープラーニングモデルは78.79%の精度で、COVID-19に感染したARDS患者の重要な徴候を分類することができます。
  論文  参考訳（メタデータ） (2020-11-12T19:56:27Z)
• 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)
• Automated triage of COVID-19 from various lung abnormalities using chest CT features [2.4956060473718407]
  入力胸部CTをスキャンし、新型コロナウイルスの患者をトリアージする、完全に自動化されたAIベースのシステムを提案する。 肺や感染症の統計、テクスチャ、形状、位置など、さまざまな特徴を生成して、機械学習ベースの分類器を訓練します。 2191例のCTデータセットを用いて本システムの評価を行い,90.8%の感度で85.4%の特異性,94.0%のROC-AUCで堅牢な解を示した。
  論文  参考訳（メタデータ） (2020-10-24T19:44:48Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)

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。