論文の概要: Pattern Recognition in Vital Signs Using Spectrograms

• arxiv url: http://arxiv.org/abs/2108.03168v1
• Date: Thu, 5 Aug 2021 01:37:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:22:38.994789
• Title: Pattern Recognition in Vital Signs Using Spectrograms
• Title（参考訳）: スペクトログラムを用いたバイタルサインのパターン認識
• Authors: Sidharth Srivatsav Sribhashyam, Md Sirajus Salekin, Dmitry Goldgof, Ghada Zamzmi, and Yu Sun
• Abstract要約: 本稿では,バイタルサインの周波数変調を用いた周波数可変性の導入手法を提案する。 提案手法は、予測と分類の両方の4つの異なる医療データセットで評価されている。
• 参考スコア（独自算出の注目度）: 2.8135053988182515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectrograms visualize the frequency components of a given signal which may be an audio signal or even a time-series signal. Audio signals have higher sampling rate and high variability of frequency with time. Spectrograms can capture such variations well. But, vital signs which are time-series signals have less sampling frequency and low-frequency variability due to which, spectrograms fail to express variations and patterns. In this paper, we propose a novel solution to introduce frequency variability using frequency modulation on vital signs. Then we apply spectrograms on frequency modulated signals to capture the patterns. The proposed approach has been evaluated on 4 different medical datasets across both prediction and classification tasks. Significant results are found showing the efficacy of the approach for vital sign signals. The results from the proposed approach are promising with an accuracy of 91.55% and 91.67% in prediction and classification tasks respectively.
• Abstract（参考訳）: スペクトログラムは、オーディオ信号または時系列信号である可能性のある所定の信号の周波数成分を可視化する。 音声信号はサンプリング率が高く、時間とともに周波数のばらつきが高い。 スペクトログラムはそのような変動をうまく捉えることができる。 しかし、時系列信号であるバイタルサインはサンプリング周波数と低周波数変動が少なく、スペクトル図は変化やパターンを表現できない。 本稿では,バイタルサインの周波数変調を用いた周波数可変性の導入手法を提案する。 次に周波数変調信号にスペクトログラムを適用してパターンを捉える。 提案手法は、予測と分類の両方の4つの異なる医療データセットで評価されている。 バイタルサイン信号に対するアプローチの有効性を示す重要な結果が得られた。 提案手法による結果は,予測と分類タスクにおいて91.55%,91.67%の精度で有望である。

関連論文リスト

• TRLS: A Time Series Representation Learning Framework via Spectrogram for Medical Signal Processing [17.86697534018046]
  我々は、より情報的な表現を得るために、Spectrogram (TRLS)を介して時系列(医療信号)表現学習フレームワークを提示する。 入力時間領域の医療信号をスペクトログラムに変換し、TFRNN(Time Frequency RNN)と呼ばれる時間周波数エンコーダを設計し、より堅牢なマルチスケール表現をキャプチャする。
  論文  参考訳（メタデータ） (2024-01-06T02:26:02Z)
• MultiWave: Multiresolution Deep Architectures through Wavelet Decomposition for Multivariate Time Series Prediction [6.980076213134384]
  MultiWaveは、信号の固有周波数で動作するコンポーネントを組み込むことで、ディープラーニング時系列モデルを強化する新しいフレームワークである。 我々は、MultiWaveが重要な特徴とその周波数成分を一貫して識別し、研究対象のアプリケーションに対する貴重な洞察を提供することを示す。
  論文  参考訳（メタデータ） (2023-06-16T20:07:15Z)
• Low frequency signal detection via correlated Ramsey measurements [0.0]
  時間タグ付き相関したラムゼイ系列は、目標信号の振幅と位相情報を同時に追跡することを示す。 これにより、後処理における測定を関連付けることができ、効率的なスペクトル再構成がもたらされる。
  論文  参考訳（メタデータ） (2022-09-21T16:09:02Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Edge Detection and Deep Learning Based SETI Signal Classification Method [0.0]
  バークレーSETI研究センターの科学者が地球外知的生命体(SETI)を探索中 無線信号をフーリエ変換によりスペクトルに変換し、2次元時間周波数スペクトルで表される信号を分類する。 本稿では,背景雑音がスペクトル分類の精度に与える影響を考察し,新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-29T04:31:48Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Learnable Wavelet Packet Transform for Data-Adapted Spectrograms [0.0]
  学習可能なウェーブレットパケット変換のためのフレームワークを提案し,データから自動的に特徴を学習する。 学習した機能はスペクトログラムとして表現することができ、データセットの重要な時間周波数情報を含んでいる。 提案手法の特性と性能を,改良されたスペクトルリークを評価し,音響モニタリングのための異常検出タスクに適用することにより評価した。
  論文  参考訳（メタデータ） (2022-01-26T17:28:17Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)
• WaveTransform: Crafting Adversarial Examples via Input Decomposition [69.01794414018603]
  本稿では,低周波サブバンドと高周波サブバンドに対応する逆雑音を生成するWaveTransformを紹介する。 実験により,提案攻撃は防衛アルゴリズムに対して有効であり,CNN間での転送も可能であることが示された。
  論文  参考訳（メタデータ） (2020-10-29T17:16:59Z)
• Sampling Signals on Graphs: From Theory to Applications [119.19108613761915]
  我々は、理論と潜在的な応用に焦点をあてたグラフのサンプリングに関する最近の進歩を概観する。 グラフ信号サンプリングにおけるほとんどの手法は標準信号のサンプリングに使用される手法と平行に設計されているが、グラフ信号のサンプリング理論はシャノン-ニキスト理論とシフト不変サンプリング理論とは大きく異なる。
  論文  参考訳（メタデータ） (2020-03-09T07:49:40Z)

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。