論文の概要: Recognition of Patient Groups with Sleep Related Disorders using
Bio-signal Processing and Deep Learning
- arxiv url: http://arxiv.org/abs/2111.05917v1
- Date: Wed, 10 Nov 2021 20:19:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 13:46:25.733597
- Title: Recognition of Patient Groups with Sleep Related Disorders using
Bio-signal Processing and Deep Learning
- Title（参考訳）: 生体信号処理と深層学習を用いた睡眠関連障害患者群の認識
- Authors: Delaram Jarchi, Javier Andreu-Perez, Mehrin Kiani, Oldrich Vysata,
Jiri Kuchynka, Ales Prochazka, Saeid Sane
- Abstract要約: 心電図(ECG)と心電図(EMG)は呼吸障害や運動関連睡眠障害の診断に用いられている。
ディープラーニングフレームワークは、EMGとECG機能を組み込むように設計されている。
この枠組みは、健常者、閉塞性睡眠時無呼吸症(OSA)患者、レスレス脚症候群(RLS)患者、およびOSAおよびRSS患者の4つのグループに分類されている。
- 参考スコア（独自算出の注目度）: 2.552015272583579
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurately diagnosing sleep disorders is essential for clinical assessments
and treatments. Polysomnography (PSG) has long been used for detection of
various sleep disorders. In this research, electrocardiography (ECG) and
electromayography (EMG) have been used for recognition of breathing and
movement-related sleep disorders. Bio-signal processing has been performed by
extracting EMG features exploiting entropy and statistical moments, in addition
to developing an iterative pulse peak detection algorithm using synchrosqueezed
wavelet transform (SSWT) for reliable extraction of heart rate and
breathing-related features from ECG. A deep learning framework has been
designed to incorporate EMG and ECG features. The framework has been used to
classify four groups: healthy subjects, patients with obstructive sleep apnea
(OSA), patients with restless leg syndrome (RLS) and patients with both OSA and
RLS. The proposed deep learning framework produced a mean accuracy of 72% and
weighted F1 score of 0.57 across subjects for our formulated four-class
problem.
- Abstract（参考訳）: 睡眠障害の正確な診断は臨床評価や治療に不可欠である。
ポリソムノグラフィ (psg) は様々な睡眠障害の検出に長い間用いられてきた。
本研究では,心電図(ecg)と心電図(emg)を用いて呼吸・運動関連睡眠障害の診断を行った。
生体信号処理は、エントロピーと統計モーメントを利用したEMG特徴を抽出し、心電図から心拍数と呼吸関連特徴を確実に抽出するための同期ウェーブレット変換(SSWT)を用いた反復パルスピーク検出アルゴリズムを開発した。
ディープラーニングフレームワークは、EMGとECG機能を組み込むように設計されている。
この枠組みは、健常者、閉塞性睡眠時無呼吸症(OSA)患者、レスレス脚症候群(RLS)患者、およびOSAおよびRSS患者の4つのグループに分類されている。
提案したDeep Learning frameworkは平均精度72%,重み付きF1スコア0.57を定式化4クラス問題に適用した。
関連論文リスト
- rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。
提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
論文 参考訳（メタデータ） (2024-10-09T11:17:02Z) - Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。
心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。
本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文 参考訳（メタデータ） (2024-10-08T10:03:52Z) - Power Spectral Density-Based Resting-State EEG Classification of
First-Episode Psychosis [1.3416169841532526]
脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。
複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。
本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
論文 参考訳（メタデータ） (2022-11-23T00:28:41Z) - A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。
各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文 参考訳（メタデータ） (2022-08-29T05:01:04Z) - Characterizing TMS-EEG perturbation indexes using signal energy: initial
study on Alzheimer's Disease classification [48.42347515853289]
経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。
本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
論文 参考訳（メタデータ） (2022-04-29T19:27:06Z) - Blind ECG Restoration by Operational Cycle-GANs [15.264145425539128]
心電図信号の持続的長期モニタリングは不整脈などの心疾患の早期発見に不可欠である。
非クリニカルECG記録は、ベースライン、信号カット、モーションアーティファクト、QRS振幅の変動、ノイズ、その他の干渉といった深刻なアーティファクトに悩まされることが多い。
サイクル整合型生成対向ネットワーク(Cycle-GAN)を用いた盲検心電図復元のための新しい手法を提案する。
論文 参考訳（メタデータ） (2022-01-29T19:47:17Z) - 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) - 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) - 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) - Classification of Arrhythmia by Using Deep Learning with 2-D ECG
Spectral Image Representation [3.3426603061273994]
本稿では,ECG信号を8つのクラスに分類するための2次元(2次元)畳み込みニューラルネットワーク(CNN)モデルを提案する。
我々は,最新の平均分類精度99.11%を達成し,同種の不整脈の分類において,最近報告した結果より優れている。
論文 参考訳（メタデータ） (2020-05-14T12:11:41Z) - 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)
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。