論文の概要: RT-RCG: Neural Network and Accelerator Search Towards Effective and
Real-time ECG Reconstruction from Intracardiac Electrograms
- arxiv url: http://arxiv.org/abs/2111.02569v1
- Date: Thu, 4 Nov 2021 00:41:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 15:48:20.090427
- Title: RT-RCG: Neural Network and Accelerator Search Towards Effective and
Real-time ECG Reconstruction from Intracardiac Electrograms
- Title(参考訳): RT-RCG: 心臓内心電図からの有効リアルタイム心電図再構成に向けたニューラルネットワークと加速器探索
- Authors: Yongan Zhang, Anton Banta, Yonggan Fu, Mathews M. John, Allison Post,
Mehdi Razavi, Joseph Cavallaro, Behnaam Aazhang, Yingyan Lin
- Abstract要約: 本稿では,効率的なDeep Neural Network (DNN) 構造を自動検索するフレームワークRT-RCGを提案する。
RT-RCGは、ニューラルネットワークサーチ(NAS)を初めて活用し、再構築の有効性と効率の両方に同時に取り組む。
- 参考スコア(独自算出の注目度): 17.712832446604857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There exists a gap in terms of the signals provided by pacemakers (i.e.,
intracardiac electrogram (EGM)) and the signals doctors use (i.e., 12-lead
electrocardiogram (ECG)) to diagnose abnormal rhythms. Therefore, the former,
even if remotely transmitted, are not sufficient for doctors to provide a
precise diagnosis, let alone make a timely intervention. To close this gap and
make a heuristic step towards real-time critical intervention in instant
response to irregular and infrequent ventricular rhythms, we propose a new
framework dubbed RT-RCG to automatically search for (1) efficient Deep Neural
Network (DNN) structures and then (2)corresponding accelerators, to enable
Real-Time and high-quality Reconstruction of ECG signals from EGM signals.
Specifically, RT-RCG proposes a new DNN search space tailored for ECG
reconstruction from EGM signals, and incorporates a differentiable acceleration
search (DAS) engine to efficiently navigate over the large and discrete
accelerator design space to generate optimized accelerators. Extensive
experiments and ablation studies under various settings consistently validate
the effectiveness of our RT-RCG. To the best of our knowledge, RT-RCG is the
first to leverage neural architecture search (NAS) to simultaneously tackle
both reconstruction efficacy and efficiency.
- Abstract(参考訳): ペースメーカーによって提供される信号(すなわち心内電図(egm))と医師が異常なリズムを診断するために使用する信号(すなわち12誘導心電図(ecg))のギャップが存在する。
したがって,前者は遠隔感染しても正確な診断を行うには不十分であり,適度な介入は行わない。
このギャップを埋めて、不規則かつ頻繁な心室リズムに対する即時応答におけるリアルタイム臨界介入に向けたヒューリスティックな一歩を踏み出すために、1)効率的なディープニューラルネットワーク(DNN)構造を自動検索し、(2)対応する加速器を対応付けるRT-RCGと呼ばれる新しいフレームワークを提案する。
具体的には、EGM信号からのECG再構成に適した新しいDNN検索空間を提案し、大きくて離散的な加速器設計空間を効率的にナビゲートし、最適化された加速器を生成する。
RT-RCGの有効性は,様々な条件下での大規模な実験とアブレーション研究で一貫して検証されている。
我々の知る限りでは、RT-RCGは初めてニューラルネットワークサーチ(NAS)を活用して、再構築の有効性と効率の両方に同時に取り組む。
関連論文リスト
- TSRNet: Simple Framework for Real-time ECG Anomaly Detection with
Multimodal Time and Spectrogram Restoration Network [9.770923451320938]
本稿では,異常検出を利用したトレーニング用心電図データのみを用いた不健康状態の同定手法を提案する。
本稿では,心電図信号の異常検出に特化して設計されたTSRNet(Multimodal Time and Spectrogram Restoration Network)を提案する。
論文 参考訳(メタデータ) (2023-12-15T20:27:38Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - 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) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳(メタデータ) (2022-03-28T14:03:45Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - ECG-Adv-GAN: Detecting ECG Adversarial Examples with Conditional
Generative Adversarial Networks [4.250203361580781]
ディープニューラルネットワークは、心電図信号を追跡するための一般的なテクニックとなり、人間の専門家より優れています。
GANアーキテクチャは、敵ECG信号を合成し、既存のトレーニングデータを増やすために近年研究されている。
本稿では,心電図信号を同時に生成し,心的異常を検出するための条件生成広告ネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T02:53:14Z) - ECG Signal Super-resolution by Considering Reconstruction and Cardiac
Arrhythmias Classification Loss [0.0]
圧縮ECG信号を復元するための深層学習型ECG信号スーパーレゾリューションフレームワーク(ESRNet)を提案する。
実験の結果,提案するESRNetフレームワークは10回圧縮されたECG信号を十分に再構成できることがわかった。
論文 参考訳(メタデータ) (2020-12-07T15:43:50Z) - Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
心電図(ECG)信号から心疾患を視覚的に検出することは困難である。
自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
論文 参考訳(メタデータ) (2020-11-12T04:20:56Z) - BCGGAN: Ballistocardiogram artifact removal in simultaneous EEG-fMRI
using generative adversarial network [14.014014808233016]
脳のfMRIでは、BCG(Ballistocardiogram)アーティファクトが脳波を著しく汚染する可能性がある。
本稿では,新しいモジュール型生成対向ネットワーク(GAN)とそれに対応するトレーニング戦略を提案し,ネットワーク性能を向上する。
実験により,複数の手法と比較して,BCGアーチファクトをより効果的に除去できることが示唆された。
論文 参考訳(メタデータ) (2020-11-03T13:54:01Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z)
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。