論文の概要: Fetal Gender Identification using Machine and Deep Learning Algorithms
on Phonocardiogram Signals
- arxiv url: http://arxiv.org/abs/2110.06131v1
- Date: Sun, 10 Oct 2021 16:25:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 15:35:47.838767
- Title: Fetal Gender Identification using Machine and Deep Learning Algorithms
on Phonocardiogram Signals
- Title（参考訳）: 心電図信号を用いた深層学習アルゴリズムを用いた胎児性識別
- Authors: Reza Khanmohammadi, Mitra Sadat Mirshafiee, Mohammad Mahdi Ghassemi,
Tuka Alhanai
- Abstract要約: シーラーズ大学胎児心臓音響データベースにPCG信号処理技術を適用した。
本稿では,機械学習モデルとDeep Learningモデルの両方を用いて,胎児の性別分類に先立って提案された機能の適用性について検討する。
対象者の胎児の性別の分類において, 基準値を大きく上回り, 91%の精度を達成できた。
- 参考スコア（独自算出の注目度）: 3.5366052026723547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phonocardiogram (PCG) signal analysis is a critical, widely-studied
technology to noninvasively analyze the heart's mechanical activity. Through
evaluating heart sounds, this technology has been chiefly leveraged as a
preliminary solution to automatically diagnose Cardiovascular diseases among
adults; however, prenatal tasks such as fetal gender identification have been
relatively less studied using fetal Phonocardiography (FPCG). In this work, we
apply common PCG signal processing techniques on the gender-tagged Shiraz
University Fetal Heart Sounds Database and study the applicability of
previously proposed features in classifying fetal gender using both Machine
Learning and Deep Learning models. Even though PCG data acquisition's
cost-effectiveness and feasibility make it a convenient method of Fetal Heart
Rate (FHR) monitoring, the contaminated nature of PCG signals with the noise of
various types makes it a challenging modality. To address this problem, we
experimented with both static and adaptive noise reduction techniques such as
Low-pass filtering, Denoising Autoencoders, and Source Separators. We apply a
wide range of previously proposed classifiers to our dataset and propose a
novel ensemble method of Fetal Gender Identification (FGI). Our method
substantially outperformed the baseline and reached up to 91% accuracy in
classifying fetal gender of unseen subjects.
- Abstract（参考訳）: Phonocardiogram (PCG) 信号解析は、心臓の機械的活動を非侵襲的に解析する重要な、広く研究されている技術である。
心臓音の評価を通じて、この技術は成人の心血管疾患を自動的に診断するための予備的解決策として主に活用されているが、胎児性識別などの出生前課題は胎児心電図(FPCG)を用いて比較的研究されていない。
本研究では,シラーズ大学胎児心音データベースに一般的なpcg信号処理手法を適用し,機械学習と深層学習モデルを用いた胎児性分類における従来提案してきた特徴の適用性について検討した。
PCGデータ取得の費用対効果と実現性は、胎児心拍数(FHR)モニタリングの便利な方法であるが、様々な種類のノイズによるPCG信号の汚染の性質は、困難である。
この問題に対処するために,低パスフィルタやデノージングオートエンコーダ,ソースセパレータなど,静的および適応的なノイズ低減手法を実験した。
これまでに提案してきた広範囲の分類器をデータセットに適用し,胎児性同一性(fgi)の新たなアンサンブル法を提案する。
対象者の胎児の性別分類において,本法が基準値を大きく上回り,最大91%の精度に達した。
関連論文リスト
- Heart Sound Segmentation Using Deep Learning Techniques [0.0]
本稿では,S1 (LUB) とS2 (DUB) に心音区分けと分類を行う新しい手法を提案する。
我々は、FFTに基づくフィルタリング、イベント検出のための動的プログラミング、ロバストな分類のためのSiameseネットワークを採用している。
本手法は,既存手法と比較して,PASCALの心臓音響データセットに優れた性能を示す。
論文 参考訳（メタデータ） (2024-06-09T05:30:05Z) - Benchmarking the Impact of Noise on Deep Learning-based Classification
of Atrial Fibrillation in 12-Lead ECG [1.174402845822043]
12誘導心電図における心房細動検出のためのDeep Learning-based methodの精度に対する4種類のノイズの影響をベンチマークした。
本手法が心房細動を頑健に識別できることを我々は観察する。
論文 参考訳（メタデータ） (2023-03-24T11:04:16Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Machine Learning-based Efficient Ventricular Tachycardia Detection Model
of ECG Signal [0.0]
心不全の一次診断と解析において、心電図信号は重要な役割を果たす。
本稿では,ノイズフィルタを用いた心室頻拍不整脈の予測モデル,心電図の特徴セット,機械学習に基づく分類モデルを提案する。
論文 参考訳（メタデータ） (2021-12-24T05:56:09Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - 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) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - 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。