論文の概要: Non-contact Atrial Fibrillation Detection from Face Videos by Learning Systolic Peaks

• arxiv url: http://arxiv.org/abs/2110.07610v1
• Date: Thu, 14 Oct 2021 16:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 14:41:54.547895
• Title: Non-contact Atrial Fibrillation Detection from Face Videos by Learning Systolic Peaks
• Title（参考訳）: systolic peaksの学習による顔映像からの非接触心房細動検出
• Authors: Zhaodong Sun, Juhani Junttila, Mikko Tulppo, Tapio Sepp\"anen, Xiaobai Li
• Abstract要約: フェースビデオからの心房細動(AF)検出のための非接触的アプローチを提案する。 遠隔PSG計測に3次元畳み込みニューラルネットワークを用い,新たな損失関数を提案する。 収縮ピークの学習による非接触AF検出の性能向上を実現した。
• 参考スコア（独自算出の注目度）: 6.717251247987187
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective: We propose a non-contact approach for atrial fibrillation (AF) detection from face videos. Methods: Face videos, electrocardiography (ECG), and contact photoplethysmography (PPG) from 100 healthy subjects and 100 AF patients are recorded. All the videos in the healthy group are labeled as healthy. Videos in the patient group are labeled as AF, sinus rhythm (SR), or atrial flutter (AFL) by cardiologists. We use the 3D convolutional neural network for remote PPG measurement and propose a novel loss function (Wasserstein distance) to use the timing of systolic peaks from contact PPG as the label for our model training. Then a set of heart rate variability (HRV) features are calculated from the inter-beat intervals, and a support vector machine (SVM) classifier is trained with HRV features. Results: Our proposed method can accurately extract systolic peaks from face videos for AF detection. The proposed method is trained with subject-independent 10-fold cross-validation with 30s video clips and tested on two tasks. 1) Classification of healthy versus AF: the accuracy, sensitivity, and specificity are 96.16%, 95.71%, and 96.23%. 2) Classification of SR versus AF: the accuracy, sensitivity, and specificity are 95.31%, 98.66%, and 91.11%. Conclusion: We achieve good performance of non-contact AF detection by learning systolic peaks. Significance: non-contact AF detection can be used for self-screening of AF symptom for suspectable populations at home, or self-monitoring of AF recurrence after treatment for the chronical patients.
• Abstract（参考訳）: 目的: 顔画像からの心房細動(AF)検出のための非接触的アプローチを提案する。 方法: 健常者100名とaf患者100名を対象に, 顔ビデオ, 心電図(ecg), コンタクトフォトプレチモグラフィ(ppg)を用いた。 健康グループ内のすべてのビデオは、健康であるとラベル付けされています。 患者グループのビデオは、心臓科医によってAF、sinus rhythm(SR)、atrial flutter(AFL)とラベル付けされる。 我々は3次元畳み込みニューラルネットワークを遠隔PSG計測に使用し、新しい損失関数(ワッサースタイン距離)を提案し、接触PSGからの収縮ピークのタイミングをモデルトレーニングのラベルとして利用する。 そして、ビート間隔から心拍変動(HRV)特徴セットを算出し、HRV特徴で支持ベクトルマシン(SVM)分類器を訓練する。 結果: 提案手法により, 顔画像から収縮ピークを抽出し, AF検出を行う。 提案手法は,30sビデオクリップを用いた被写体非依存10倍クロスバリデーションを用いて訓練し,2つのタスクでテストした。 1)健康とAFの分類:精度、感度、特異性は96.16%、95.71%、96.23%である。 2)SR対AFの分類:精度、感度、特異性は95.31%、98.66%、91.11%である。 結論: 収縮ピークの学習による非接触AF検出の性能は良好である。 意義:非接触型AF検出は、在宅の被疑者に対するAF症状の自己スクリーニングや、慢性的な患者に対する治療後のAF再発の自己モニタリングに利用できる。

関連論文リスト

• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• SiamAF: Learning Shared Information from ECG and PPG Signals for Robust Atrial Fibrillation Detection [18.014439380551824]
  心房細動 (AF) は心不整脈の最も一般的なタイプである。 脳卒中、心不全、その他の心血管合併症のリスクが高まるが、臨床的には沈黙することがある。 現在のディープラーニングモデルは、心電図(ECG)または光胸波(PPG)信号のどちらかの単一のモードから学習する。 我々は,新しいSiameseネットワークアーキテクチャと共同学習損失関数を活用して,ECG信号とPSG信号の両方から学習するSiamAFという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-13T15:48:24Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• 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)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Machine Learning Methods for Identifying Atrial Fibrillation Cases and Their Predictors in Patients With Hypertrophic Cardiomyopathy: The HCM-AF-Risk Model [0.3904666078483698]
  肥大型心筋症 (HCM) は心房細動の頻度が高く, 脳卒中リスクが高い。 我々は、データ駆動型機械学習に基づく手法を開発し応用し、AFの事例を識別する。 我々のモデルは,HCM における AF 症例の同定のための,最初の機械学習に基づく手法である。
  論文  参考訳（メタデータ） (2021-09-19T20:00:49Z)
• Atrial Fibrillation: A Medical and Technological Review [0.0]
  心房細動(英: atrial Fibrillation、AF)は、アメリカ合衆国における入院につながる不整脈の最も一般的なタイプである。 AF関連の医療費は、毎年6.0ドルから26億ドルの間である。
  論文  参考訳（メタデータ） (2021-09-18T17:25:55Z)
• Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
  本研究では,人工知能を用いた心房細動検出法を提案する。 本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
  論文  参考訳（メタデータ） (2021-04-15T12:50:16Z)
• A Supervised Learning Approach for Robust Health Monitoring using Face Videos [32.157163136267954]
  非接触型非接触型人体検知法は、特殊な心臓および血圧モニタリング装置の必要性をなくすことができる。 本稿では,市販のウェブカメラで撮影する顔ビデオのみを必要とする非接触方式を用いた。 提案手法では,顔のランドマークを用いて映像の各フレームの顔を検出する。
  論文  参考訳（メタデータ） (2021-01-30T22:03:16Z)
• 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)

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。