論文の概要: A Visual Domain Transfer Learning Approach for Heartbeat Sound Classification

• arxiv url: http://arxiv.org/abs/2107.13237v1
• Date: Wed, 28 Jul 2021 09:41:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 20:47:55.110886
• Title: A Visual Domain Transfer Learning Approach for Heartbeat Sound Classification
• Title（参考訳）: 心拍音分類のための視覚的ドメイン伝達学習手法
• Authors: Uddipan Mukherjee, Sidharth Pancholi
• Abstract要約: 心臓病は人間の死亡の最も一般的な理由であり、世界中で約3分の1が死亡している。 疾患の早期発見は患者の生存率を高め、心臓病の徴候を早期に検出する方法がいくつかある。 本研究は、クリーン化および正規化された心音を視覚メルスケールスペクトログラムに変換し、視覚領域変換学習手法を用いて、心音の特徴を自動的に抽出し分類することを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heart disease is the most common reason for human mortality that causes almost one-third of deaths throughout the world. Detecting the disease early increases the chances of survival of the patient and there are several ways a sign of heart disease can be detected early. This research proposes to convert cleansed and normalized heart sound into visual mel scale spectrograms and then using visual domain transfer learning approaches to automatically extract features and categorize between heart sounds. Some of the previous studies found that the spectrogram of various types of heart sounds is visually distinguishable to human eyes, which motivated this study to experiment on visual domain classification approaches for automated heart sound classification. It will use convolution neural network-based architectures i.e. ResNet, MobileNetV2, etc as the automated feature extractors from spectrograms. These well-accepted models in the image domain showed to learn generalized feature representations of cardiac sounds collected from different environments with varying amplitude and noise levels. Model evaluation criteria used were categorical accuracy, precision, recall, and AUROC as the chosen dataset is unbalanced. The proposed approach has been implemented on datasets A and B of the PASCAL heart sound collection and resulted in ~ 90% categorical accuracy and AUROC of ~0.97 for both sets.
• Abstract（参考訳）: 心臓病は、人間の死亡率の3分の1を占める最も一般的な原因である。 疾患の早期発見は患者の生存率を高め、心臓病の徴候を早期に検出する方法がいくつかある。 本研究は, 清浄, 正常化された心臓音を視覚メルスケールのスペクトログラムに変換し, 視覚領域伝達学習法を用いて, 特徴抽出と心臓音の分類を自動的に行うことを提案する。 前回の研究では、様々なタイプの心臓音のスペクトログラムが人間の目と視覚的に区別可能であることが分かり、この研究は、心臓音の自動分類のための視覚領域分類アプローチの実験を動機付けた。 畳み込みニューラルネットワーク(convolution neural network-based architecture)を使用する。 ResNet、MobileNetV2などは、スペクトログラムから自動フィーチャー抽出器である。 画像領域のこれらの良く受容されたモデルは、振幅と雑音の異なる異なる環境から収集された心臓音の特徴表現の一般化を学習することを示した。 モデル評価基準は、選択したデータセットがバランスが取れていないため、分類精度、精度、リコール、AUROCであった。 提案手法はpascal heart sound collection のデータセット a と b に実装されており、両セットのカテゴリ精度 90% と auroc は 0.97 である。

関連論文リスト

• View Classification and Object Detection in Cardiac Ultrasound to Localize Valves via Deep Learning [0.0]
  本稿では、ディープニューラルネットワークを用いて、分類とローカライゼーションのステップを分離する機械学習パイプラインを提案する。 パイプラインの第1ステップとして,心の解剖学的所見が10個ある心エコー図にビュー分類を適用した。 第2のステップでは、深層学習に基づく物体検出をバルブの局所化と識別の両方に応用する。
  論文  参考訳（メタデータ） (2023-10-31T18:16:02Z)
• Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly Detection [33.48389041651675]
  心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。 希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。 本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
  論文  参考訳（メタデータ） (2023-08-03T09:16:57Z)
• Two-stream Network for ECG Signal Classification [3.222802562733787]
  本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。 本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。 MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
  論文  参考訳（メタデータ） (2022-10-05T08:14:51Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 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)
• Heart Sound Classification Considering Additive Noise and Convolutional Distortion [2.63046959939306]
  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。
  論文  参考訳（メタデータ） (2021-06-03T14:09:04Z)
• A Robust Interpretable Deep Learning Classifier for Heart Anomaly Detection Without Segmentation [37.70077538403524]
  心音分類の先行段階として, 心音分節の重要性を論じる。 次に,心臓の異常音検出のための頑健な分類器を提案する。 我々の新しい分類器はまた、広く使われているPhyloNetデータセットでほぼ100%の精度で、堅牢で安定しており、最も重要な説明が可能であることも示されています。
  論文  参考訳（メタデータ） (2020-05-21T06:36:28Z)
• CNN-MoE based framework for classification of respiratory anomalies and lung disease detection [33.45087488971683]
  本稿では,聴取分析のための頑健な深層学習フレームワークを提示し,検討する。 呼吸周期の異常を分類し、呼吸音の記録から病気を検出することを目的としている。
  論文  参考訳（メタデータ） (2020-04-04T21:45:06Z)
• 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)

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。