論文の概要: Neonatal Bowel Sound Detection Using Convolutional Neural Network and Laplace Hidden Semi-Markov Model

• arxiv url: http://arxiv.org/abs/2108.07467v1
• Date: Tue, 17 Aug 2021 06:50:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 13:04:58.330212
• Title: Neonatal Bowel Sound Detection Using Convolutional Neural Network and Laplace Hidden Semi-Markov Model
• Title（参考訳）: 畳み込みニューラルネットワークとラプラス隠れセミマルコフモデルを用いた新生児腸音検出
• Authors: Chiranjibi Sitaula and Jinyuan He and Archana Priyadarshi and Mark Tracy and Omid Kavehei and Murray Hinder and Anusha Withana and Alistair McEwan and Faezeh Marzbanrad
• Abstract要約: 本稿では,新生児の腸音検出法について紹介する。 The Convolutional Neural Network (CNN) is proposed to identified peristalsis and non-peristalsis sound。 この分類は、Laplace Hidden Semi-Markov Model (HSMM) を用いて最適化される。
• 参考スコア（独自算出の注目度）: 1.6184881460442038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Abdominal auscultation is a convenient, safe and inexpensive method to assess bowel conditions, which is essential in neonatal care. It helps early detection of neonatal bowel dysfunctions and allows timely intervention. This paper presents a neonatal bowel sound detection method to assist the auscultation. Specifically, a Convolutional Neural Network (CNN) is proposed to classify peristalsis and non-peristalsis sounds. The classification is then optimized using a Laplace Hidden Semi-Markov Model (HSMM). The proposed method is validated on abdominal sounds from 49 newborn infants admitted to our tertiary Neonatal Intensive Care Unit (NICU). The results show that the method can effectively detect bowel sounds with accuracy and area under curve (AUC) score being 89.81% and 83.96% respectively, outperforming 13 baseline methods. Furthermore, the proposed Laplace HSMM refinement strategy is proven capable to enhance other bowel sound detection models. The outcomes of this work have the potential to facilitate future telehealth applications for neonatal care. The source code of our work can be found at: https://bitbucket.org/chirudeakin/neonatal-bowel-sound-classification/
• Abstract（参考訳）: 腹腔内膿瘍は新生児ケアに必須の腸疾患評価法として有用で安全かつ安価な方法である。 新生児腸機能障害の早期発見に役立ち、タイムリーな介入を可能にする。 本稿では,新生児の腸音検出法について紹介する。 具体的には,畳み込みニューラルネットワーク(cnn)を用いて,peristalsis と non-peristalsis を分類する。 この分類はLaplace Hidden Semi-Markov Model (HSMM)を用いて最適化される。 本手法は,第3次新生児集中治療室(NICU)に入院した49人の新生児の腹部音に対して有効である。 その結果,AUCスコアの89.81%,83.96%の精度で腸音を効果的に検出できることがわかった。 さらに,提案したLaplace HSMMの改良戦略は,他の便音検出モデルを強化することができる。 この研究の結果は、新生児医療の遠隔医療への応用を促進する可能性がある。 https://bitbucket.org/chirudeakin/neonatal-bowel-sound-classification/

関連論文リスト

• A Single Channel-Based Neonatal Sleep-Wake Classification using Hjorth Parameters and Improved Gradient Boosting [1.4947932134830437]
  本稿では,Hjorth特徴を有する単一チャネル勾配促進アルゴリズムを用いた新生児睡眠ステージ分類への新しいアプローチを提案する。 勾配上昇パラメータはランダムな探索クロスバリデーションを用いて微調整され、新生児睡眠覚醒分類では82.35%の精度が達成される。
  論文  参考訳（メタデータ） (2024-08-15T04:38:24Z)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• Adaptive Fake Audio Detection with Low-Rank Model Squeezing [50.7916414913962]
  ファインタニングのような従来の手法は計算集約的であり、既知の偽音声タイプの知識を損なう危険性がある。 本稿では,新たに登場したニセモノ音声タイプに特化して,低ランク適応行列をトレーニングするコンセプトを紹介する。 当社のアプローチには,ストレージメモリ要件の削減やエラー率の低下など,いくつかのメリットがあります。
  論文  参考訳（メタデータ） (2023-06-08T06:06:42Z)
• Automated Classification of General Movements in Infants Using a Two-stream Spatiotemporal Fusion Network [5.541644538483947]
  幼児の全身運動(GM)の評価は神経発達障害の早期診断に有用である。 近年、ビデオベースのGM分類が注目されているが、これは無関係な情報の影響を強く受けている。 不要な背景情報を除去する前処理ネットワークからなる自動GM分類法を提案する。
  論文  参考訳（メタデータ） (2022-07-04T05:21:09Z)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)
• Energy-Efficient Respiratory Anomaly Detection in Premature Newborn Infants [1.845415610921548]
  早産児のためのDeep Learning対応ウェアラブルモニタリングシステムを提案する。 乳児の体に装着した非侵襲的なウェアラブルBellypatchから無線で収集される信号を用いて呼吸停止を予測する。 ベースライン1DCNNモデルに比べて18倍低いエネルギーで93.33%の精度を達成する解を選択する。
  論文  参考訳（メタデータ） (2022-02-21T23:15:03Z)
• Noisy Neonatal Chest Sound Separation for High-Quality Heart and Lung Sounds [2.536333994672575]
  聴診器に記録された胸部音は新生児の遠隔循環型健康モニタリングの機会となる。 信頼性の高いモニタリングには、高品質な心臓と肺の音が必要である。 新生児胸部音響分離のための新しい非負マトリックス因子分解法(NMF)と非負マトリックス共役法(NMCF)を提案する。
  論文  参考訳（メタデータ） (2022-01-10T08:38:10Z)
• 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
  我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。 われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
  論文  参考訳（メタデータ） (2021-12-18T17:05:53Z)
• An interpretable object detection based model for the diagnosis of neonatal lung diseases using Ultrasound images [0.0]
  肺超音波(LUS)は新生児のさまざまな肺疾患の診断とモニタリングにますます利用されている。 異なる呼吸器疾患で見られる混合アーティファクトパターンは、オペレーターによるLUS可読性を制限する可能性がある。 そこで本研究では,特定の肺疾患と容易に関連付けることのできる7つの意義あるLUS特徴を抽出するためのユニークなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-21T01:12:35Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。