Fugu-MT 論文翻訳(概要): A Transformer Architecture for Stress Detection from ECG

論文の概要: A Transformer Architecture for Stress Detection from ECG

arxiv url: http://arxiv.org/abs/2108.09737v1
Date: Sun, 22 Aug 2021 14:34:44 GMT
ステータス: 処理完了
システム内更新日: 2021-08-25 02:04:10.228946
Title: A Transformer Architecture for Stress Detection from ECG
Title（参考訳）: ECGからの応力検出のためのトランスアーキテクチャ
Authors: Behnam Behinaein, Anubhav Bhatti, Dirk Rodenburg, Paul Hungler, Ali Etemad
Abstract要約: 本稿では、畳み込み層に基づくディープニューラルネットワークと、ECG信号を用いたストレス検出のためのトランスフォーマー機構を提案する。実験の結果,提案手法は心電図に基づくストレス検出のための最先端モデルに匹敵する,あるいは優れた結果が得られることがわかった。
参考スコア（独自算出の注目度）: 7.559720049837459
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Electrocardiogram (ECG) has been widely used for emotion recognition. This paper presents a deep neural network based on convolutional layers and a transformer mechanism to detect stress using ECG signals. We perform leave-one-subject-out experiments on two publicly available datasets, WESAD and SWELL-KW, to evaluate our method. Our experiments show that the proposed model achieves strong results, comparable or better than the state-of-the-art models for ECG-based stress detection on these two datasets. Moreover, our method is end-to-end, does not require handcrafted features, and can learn robust representations with only a few convolutional blocks and the transformer component.
Abstract（参考訳）: 心電図(ECG)は感情認識に広く用いられている。本稿では、畳み込み層に基づくディープニューラルネットワークと、ECG信号を用いたストレス検出のための変圧器機構を提案する。 WESAD と SWELL-KW の2つの公開データセットを用いて,この手法の評価を行った。実験により,本モデルが2つのデータセットにおけるecgに基づく応力検出の最先端モデルと同等かそれ以上の強い結果が得られることを示した。さらに,本手法はエンドツーエンドであり,手作りの特徴を必要とせず,数個の畳み込みブロックとトランスフォーマーコンポーネントでロバスト表現を学習できる。

関連論文リスト

ECG-FM: An Open Electrocardiogram Foundation Model [3.611746032873298]
本稿では,ECG分析のためのオープン基盤モデルであるECG-FMを提案する。 ECG-FMはトランスフォーマーベースのアーキテクチャを採用し、250万のサンプルで事前訓練されている。文脈情報のコマンドが強靭なパフォーマンス、豊富な事前学習された埋め込み、信頼性のある解釈可能性をもたらすことを示す。
論文参考訳（メタデータ） (2024-08-09T17:06:49Z)
DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
Masked Transformer for Electrocardiogram Classification [7.229662895786343]
MTECG(Masked Transformer for ECG classification)は、ECG分類における最新の最先端アルゴリズムを著しく上回る、単純かつ効果的な手法である。 220,251個の心電図記録と広範囲の診断を行い,医療専門家が注釈を付した不破井データセットを構築した。
論文参考訳（メタデータ） (2023-08-31T09:21:23Z)
A Unified Transformer-based Network for multimodal Emotion Recognition [4.07926531936425]
本稿では,心電図/信号の2次元表現と顔情報を組み合わせることで,覚醒空間内の感情を分類するトランスフォーマーに基づく手法を提案する。我々のモデルは最先端技術に匹敵する結果をもたらす。
論文参考訳（メタデータ） (2023-08-27T17:30:56Z)
Transforming ECG Diagnosis:An In-depth Review of Transformer-based DeepLearning Models in Cardiovascular Disease Detection [0.0]
本稿では,ECG分類に適用可能なトランスフォーマーアーキテクチャの詳細なレビューを行う。これらのモデルは、他のモデルが見落としているかもしれないECG信号の複雑な時間的関係を捉えている。このレビューは、研究者や実践者にとって貴重なリソースであり、ECG解釈におけるこの革新的な応用に光を当てることを目的としている。
論文参考訳（メタデータ） (2023-06-02T03:23:16Z)
A Dual-scale Lead-seperated Transformer With Lead-orthogonal Attention And Meta-information For Ecg Classification [26.07181634056045]
本研究は、鉛直交注意とメタ情報(DLTM-ECG)を併用したデュアルスケールリード分離変圧器を提案する。 ECGセグメントは独立パッチとして解釈され、縮小次元信号と共に二重スケールの表現を形成する。我々の研究は、同様の多チャンネル生体電気信号処理や生理的多モードタスクの可能性を秘めている。
論文参考訳（メタデータ） (2022-11-23T08:45:34Z)
Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文参考訳（メタデータ） (2022-07-04T13:15:08Z)
Efficient Two-Stage Detection of Human-Object Interactions with a Novel Unary-Pairwise Transformer [41.44769642537572]
Unary-Pairwise Transformerは、HOIのユニタリおよびペアワイズ表現を利用する2段階の検出器である。本手法はHICO-DETおよびV-COCOデータセット上で評価し,最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2021-12-03T10:52:06Z)
Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文参考訳（メタデータ） (2021-11-25T10:11:41Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。