Fugu-MT 論文翻訳(概要): A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors

論文の概要: A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors

arxiv url: http://arxiv.org/abs/2105.00528v1
Date: Sun, 2 May 2021 18:35:57 GMT
ステータス: 処理完了
システム内更新日: 2021-05-05 00:35:11.071581
Title: A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors
Title（参考訳）: IoTセンサにおける睡眠時無呼吸検出のための1D-CNNに基づくディープラーニング技術
Authors: Arlene John, Barry Cardiff, and Deepu John
Abstract要約: 本稿では,ウェアラブルデバイスから取得した心電図(ECG)信号から呼吸時無呼吸検出のための新しい手法を提案する。この新しさは、秒単位の高分解能の無呼吸検出に起因している。このモデルはいくつかの低分解能アパネ検出法より優れる。
参考スコア（独自算出の注目度）: 3.2116198597240846
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Internet of Things (IoT) enabled wearable sensors for health monitoring are widely used to reduce the cost of personal healthcare and improve quality of life. The sleep apnea-hypopnea syndrome, characterized by the abnormal reduction or pause in breathing, greatly affects the quality of sleep of an individual. This paper introduces a novel method for apnea detection (pause in breathing) from electrocardiogram (ECG) signals obtained from wearable devices. The novelty stems from the high resolution of apnea detection on a second-by-second basis, and this is achieved using a 1-dimensional convolutional neural network for feature extraction and detection of sleep apnea events. The proposed method exhibits an accuracy of 99.56% and a sensitivity of 96.05%. This model outperforms several lower resolution state-of-the-art apnea detection methods. The complexity of the proposed model is analyzed. We also analyze the feasibility of model pruning and binarization to reduce the resource requirements on a wearable IoT device. The pruned model with 80\% sparsity exhibited an accuracy of 97.34% and a sensitivity of 86.48%. The binarized model exhibited an accuracy of 75.59% and sensitivity of 63.23%. The performance of low complexity patient-specific models derived from the generic model is also studied to analyze the feasibility of retraining existing models to fit patient-specific requirements. The patient-specific models on average exhibited an accuracy of 97.79% and sensitivity of 92.23%. The source code for this work is made publicly available.
Abstract（参考訳）: IoT(Internet of Things)による健康モニタリングのためのウェアラブルセンサーは、個人医療のコスト削減と生活の質向上に広く利用されている。呼吸の異常な減少または停止を特徴とする睡眠時無呼吸症候群は、個人の睡眠の質に大きな影響を及ぼす。本稿では,ウェアラブルデバイスから取得した心電図(ECG)信号から呼吸時無呼吸検出のための新しい手法を提案する。 1次元畳み込みニューラルネットワークを用いて睡眠時無呼吸イベントの特徴抽出と検出を行う。提案手法は99.56%の精度と96.05%の感度を示す。このモデルはいくつかの低分解能アパネ検出法より優れる。提案するモデルの複雑さを解析する。また,ウェアラブルIoTデバイスにおける資源要求を低減するため,モデルプルーニングとバイナライゼーションの実現可能性も分析した。 80\%の散布モデルでは97.34%の精度と86.48%の感度を示した。双対化モデルは精度75.59%、感度63.23%であった。また, 患者固有の要求に適合する既存モデルの再訓練の可能性を分析するため, 低複雑性患者固有モデルの性能も検討した。患者固有のモデルは平均97.79%、感度92.23%であった。この作業のソースコードは公開されています。

関連論文リスト

On-Site Precise Screening of SARS-CoV-2 Systems Using a Channel-Wise Attention-Based PLS-1D-CNN Model with Limited Infrared Signatures [14.03608399920969]
本稿では、減衰された全反射-フーリエ変換赤外分光法(ATR-FTIR)と適応的繰り返し再重み付けされたペナル化最小二乗法(AirPLS)前処理アルゴリズムと、チャネルワイドの注意に基づく畳み込みニューラルネットワーク(PLS-1D-CNN)モデルを統合する手法を提案する。我々のモデルは、最近、呼吸器ウイルスのスペクトル検出の分野で、96.48%の認識スクリーニング精度、96.24%の感度、97.14%の特異性、96.12%のF1スコア、0.99のAUCを達成している。
論文参考訳（メタデータ） (2024-10-26T09:22:35Z)
Atrial Fibrillation Detection Using Weight-Pruned, Log-Quantised Convolutional Neural Networks [25.160063477248904]
心電図信号から心房細動を検出する畳み込みニューラルネットワークモデルを開発した。このモデルは、限られた可変長の入力データで訓練されているにもかかわらず、高い性能を示す。最終モデルは91.1%のモデル圧縮比を達成し、高いモデル精度は91.7%、損失は1%未満であった。
論文参考訳（メタデータ） (2022-06-14T11:47:04Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
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)
Deep Learning-Based Detection of the Acute Respiratory Distress Syndrome: What Are the Models Learning? [5.827840113217155]
急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
論文参考訳（メタデータ） (2021-09-25T09:10:10Z)
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)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
A Novel Multi-scale Dilated 3D CNN for Epileptic Seizure Prediction [6.688907774518885]
脳波(eeg)信号の時間,周波数,チャネル情報を解析するために,新しい畳み込みニューラルネットワーク(cnn)を提案する。モデルは3次元(3D)カーネルを使用して、3次元上の特徴抽出を容易にする。提案されたCNNモデルはCHB-MIT EEGデータベースで評価され,本モデルが既存の最新技術を上回ることを実験的に示した。
論文参考訳（メタデータ） (2021-05-05T07:13:53Z)
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)
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)
Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
論文参考訳（メタデータ） (2020-06-30T23:33:17Z)

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。