論文の概要: Temporally Nonstationary Component Analysis; Application to Noninvasive Fetal Electrocardiogram Extraction

• arxiv url: http://arxiv.org/abs/2108.09353v1
• Date: Fri, 20 Aug 2021 20:31:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 13:32:06.351743
• Title: Temporally Nonstationary Component Analysis; Application to Noninvasive Fetal Electrocardiogram Extraction
• Title（参考訳）: 経時的非定常成分分析 : 非侵襲的胎児心電図抽出への応用
• Authors: Fahimeh Jamshidian-Tehrani and Reza Sameni and Christian Jutten
• Abstract要約: 音源信号の非定常性を信号分離の識別特性として用いることができる。 時間的非定常成分抽出のための半盲音源分離アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 12.861130760349631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Mixtures of temporally nonstationary signals are very common in biomedical applications. The nonstationarity of the source signals can be used as a discriminative property for signal separation. Herein, a semi-blind source separation algorithm is proposed for the extraction of temporally nonstationary components from linear multichannel mixtures of signals and noises. Methods: A hypothesis test is proposed for the detection and fusion of temporally nonstationary events, by using ad hoc indexes for monitoring the first and second order statistics of the innovation process. As proof of concept, the general framework is customized and tested over noninvasive fetal cardiac recordings acquired from the maternal abdomen, over publicly available datasets, using two types of nonstationarity detectors: 1) a local power variations detector, and 2) a model-deviations detector using the innovation process properties of an extended Kalman filter. Results: The performance of the proposed method is assessed in presence of white and colored noise, in different signal-to-noise ratios. Conclusion and Significance: The proposed scheme is general and it can be used for the extraction of nonstationary events and sample deviations from a presumed model in multivariate data, which is a recurrent problem in many machine learning applications.
• Abstract（参考訳）: 目的: 時間的非定常信号の混合は、生体医学的応用において非常に一般的である。 音源信号の非定常性を信号分離の識別特性として用いることができる。 本稿では,信号と雑音の線形多チャンネル混合から時間的非定常成分を抽出するための半盲点分離アルゴリズムを提案する。 方法: 時間的非定常事象の検出と融合のための仮説テストを提案し, アドホック指標を用いて, イノベーションプロセスの第1次および第2次統計をモニタリングする。 概念実証として、一般的な枠組みは、母性腹部から取得した非侵襲的な胎児心記録、一般に入手可能なデータセット、1)ローカルパワー変動検出器、2)拡張カルマンフィルタのイノベーションプロセス特性を用いたモデルデバイエーション検出器という2種類の非定常検出器を使用してカスタマイズされ、テストされる。 結果: 提案手法の性能は, 信号対雑音比の異なる白色雑音と有色雑音の存在下で評価される。 結論と意義:提案手法は汎用的であり,多くの機械学習アプリケーションにおいて繰り返し発生する問題である多変量データの推定モデルから,非定常事象やサンプル偏差の抽出に利用できる。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Generative adversarial wavelet neural operator: Application to fault detection and isolation of multivariate time series data [3.265784083548797]
  本稿では,障害検出と分離のための新しい教師なし深層学習手法として,GAWNO(Generative Adversarial Wavelet Neural operator)を提案する。 最初の段階では、GAWNOは通常の運用条件のデータセットに基づいてトレーニングされ、基礎となるデータ分布を学習する。 第2段階では, 差分値に基づいて故障を検出し, 分離するために, 再構成誤差に基づくしきい値法を用いる。
  論文  参考訳（メタデータ） (2024-01-08T16:36:47Z)
• An optimization method for out-of-distribution anomaly detection models [6.075775003017512]
  頻繁な誤報は、産業アプリケーションにおける教師なし異常検出アルゴリズムの促進を妨げている。 SVMベースの分類器は後処理モジュールとして利用され、オブジェクトレベルでの異常マップから誤報を識別する。
  論文  参考訳（メタデータ） (2023-02-02T08:29:10Z)
• 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)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• 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)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly Detection [0.0]
  我々は、ジェネレータと識別器ネットワークを同時に訓練した双方向GANアーキテクチャのデュアルエンコーダを開発する。 提案手法が正常試料の分布を捉えるのに有効であることを示し,ganモデルにおける異常検出を改善した。
  論文  参考訳（メタデータ） (2020-12-22T05:05:33Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)
• Segmentation and Optimal Region Selection of Physiological Signals using Deep Neural Networks and Combinatorial Optimization [5.094623170336122]
  後処理段階の最適セグメントを自動的に選択するアルゴリズムを提案する。 ニューラルネットワークを用いて各サンプルの出力状態確率分布を算出する。 このフレームワークは2つのアプリケーションでテストされ、検証される。
  論文  参考訳（メタデータ） (2020-03-17T23:15:15Z)

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。