論文の概要: Heart Sound Classification Considering Additive Noise and Convolutional
Distortion
- arxiv url: http://arxiv.org/abs/2106.01865v1
- Date: Thu, 3 Jun 2021 14:09:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 19:25:58.238889
- Title: Heart Sound Classification Considering Additive Noise and Convolutional
Distortion
- Title（参考訳）: 付加雑音と畳み込み歪みを考慮した心音分類
- Authors: Farhat Binte Azam, Md. Istiaq Ansari, Ian Mclane, Taufiq Hasan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.63046959939306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac auscultation is an essential point-of-care method used for the early
diagnosis of heart diseases. Automatic analysis of heart sounds for abnormality
detection is faced with the challenges of additive noise and sensor-dependent
degradation. This paper aims to develop methods to address the cardiac
abnormality detection problem when both types of distortions are present in the
cardiac auscultation sound. We first mathematically analyze the effect of
additive and convolutional noise on short-term filterbank-based features and a
Convolutional Neural Network (CNN) layer. Based on the analysis, we propose a
combination of linear and logarithmic spectrogram-image features. These 2D
features are provided as input to a residual CNN network (ResNet) for heart
sound abnormality detection. Experimental validation is performed on an
open-access heart sound abnormality detection dataset involving noisy
recordings obtained from multiple stethoscope sensors. The proposed method
achieves significantly improved results compared to the conventional
approaches, with an area under the ROC (receiver operating characteristics)
curve (AUC) of 91.36%, F-1 score of 84.09%, and Macc (mean of sensitivity and
specificity) of 85.08%. We also show that the proposed method shows the best
mean accuracy across different source domains including stethoscope and noise
variability, demonstrating its effectiveness in different recording conditions.
The proposed combination of linear and logarithmic features along with the
ResNet classifier effectively minimizes the impact of background noise and
sensor variability for classifying phonocardiogram (PCG) signals. The proposed
method paves the way towards developing computer-aided cardiac auscultation
systems in noisy environments using low-cost stethoscopes.
- Abstract（参考訳）: 心臓移植は心臓疾患の早期診断に欠かせないポイント・オブ・ケア法である。
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, 心臓異常検出問題に対処する手法を開発することである。
まず,短時間のフィルタバンクに基づく特徴と畳み込みニューラルネットワーク(CNN)層に対する加法雑音と畳み込み雑音の影響を数学的に解析する。
解析に基づいて,線形および対数スペクトログラム画像の特徴の組み合わせを提案する。
これらの2次元特徴は、心音異常検出のための残留cnnネットワーク(resnet)への入力として提供される。
複数の聴診器センサから得られたノイズ記録を含むオープンアクセス型心音異常検出データセット上で実験的検証を行う。
提案手法は従来の手法と比較して, 91.36%のOC曲線 (AUC) , 84.09%のF-1スコア, 85.08%のMacc(感度と特異性) の領域において, 有意に改善された。
また,提案手法は聴診器や雑音変動量を含む異なる音源領域にまたがる最適な平均精度を示し,異なる記録条件下での有効性を示す。
線形・対数的特徴とResNet分類器の組み合わせにより, 背景雑音の影響を最小化し, 超音波心電図(PCG)信号の分類が可能となる。
提案手法は, 低コスト聴診器を用いた低騒音環境下でのコンピュータ支援心臓聴診システムの開発への道を開くものである。
関連論文リスト
- Quantifying Noise of Dynamic Vision Sensor [49.665407116447454]
動的視覚センサ(DVS)は、大量のバックグラウンドアクティビティ(BA)ノイズによって特徴付けられる。
標準的な画像処理技術を用いて,ノイズとクリーン化センサ信号とを区別することは困難である。
Detrended Fluctuation Analysis (DFA) から得られたBAノイズを特徴付ける新しい手法が提案されている。
論文 参考訳（メタデータ） (2024-04-02T13:43:08Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Machine Learning-based Efficient Ventricular Tachycardia Detection Model
of ECG Signal [0.0]
心不全の一次診断と解析において、心電図信号は重要な役割を果たす。
本稿では,ノイズフィルタを用いた心室頻拍不整脈の予測モデル,心電図の特徴セット,機械学習に基づく分類モデルを提案する。
論文 参考訳（メタデータ） (2021-12-24T05:56:09Z) - Supraventricular Tachycardia Detection and Classification Model of ECG
signal Using Machine Learning [0.0]
心電図(ECG)信号の研究は心疾患の診断に不可欠である。
本研究は,雑音のフィルタリングを含む数段階からなる上室性不整脈予測モデルを提案する。
我々は,異なるタイプの上室頻拍を分類できる機械学習に基づく分類モデルを開発した。
論文 参考訳（メタデータ） (2021-12-24T05:48:26Z) - Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
本研究では,新しいセグメンテーションフリー心音分類法を提案する。
具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。
サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
論文 参考訳（メタデータ） (2021-08-09T16:09:30Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Capturing scattered discriminative information using a deep architecture
in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。
我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。
2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文 参考訳（メタデータ） (2020-07-09T08:32:06Z) - Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。
我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。
提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-04-02T02:09:11Z) - DeepBeat: A multi-task deep learning approach to assess signal quality
and arrhythmia detection in wearable devices [0.0]
我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。
我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。
2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
論文 参考訳（メタデータ） (2020-01-01T07:41:28Z)
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。