論文の概要: End-to-End Optimized Arrhythmia Detection Pipeline using Machine
Learning for Ultra-Edge Devices
- arxiv url: http://arxiv.org/abs/2111.11789v1
- Date: Tue, 23 Nov 2021 11:06:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 15:58:56.347814
- Title: End-to-End Optimized Arrhythmia Detection Pipeline using Machine
Learning for Ultra-Edge Devices
- Title(参考訳): 超端デバイスのための機械学習を用いたエンドツーエンド最適化不整脈検出パイプライン
- Authors: Sideshwar J B (1), Sachin Krishan T (1), Vishal Nagarajan (1),
Shanthakumar S (2), Vineeth Vijayaraghavan (2) ((1) SSN College of
Engineering, Chennai, India, (2) Solarillion Foundation, Chennai, India)
- Abstract要約: 心房細動(AF)は世界中で最も多い不整脈であり、人口の2%が影響を受けている。
超最先端デバイスに展開可能な高精度のリアルタイム心房細動検出のための効率的なパイプラインを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Atrial fibrillation (AF) is the most prevalent cardiac arrhythmia worldwide,
with 2% of the population affected. It is associated with an increased risk of
strokes, heart failure and other heart-related complications. Monitoring
at-risk individuals and detecting asymptomatic AF could result in considerable
public health benefits, as individuals with asymptomatic AF could take
preventive measures with lifestyle changes. With increasing affordability to
wearables, personalized health care is becoming more accessible. These
personalized healthcare solutions require accurate classification of
bio-signals while being computationally inexpensive. By making inferences
on-device, we avoid issues inherent to cloud-based systems such as latency and
network connection dependency. We propose an efficient pipeline for real-time
Atrial Fibrillation Detection with high accuracy that can be deployed in
ultra-edge devices. The feature engineering employed in this research catered
to optimizing the resource-efficient classifier used in the proposed pipeline,
which was able to outperform the best performing standard ML model by
$10^5\times$ in terms of memory footprint with a mere trade-off of 2%
classification accuracy. We also obtain higher accuracy of approximately 6%
while consuming 403$\times$ lesser memory and being 5.2$\times$ faster compared
to the previous state-of-the-art (SoA) embedded implementation.
- Abstract(参考訳): 心房細動(AF)は世界中で最も多い不整脈であり、人口の2%が影響を受けた。
脳卒中、心不全、その他の心臓関連合併症のリスクの増加に関係している。
リスクの高い個人をモニタリングし、無症候性AFを検出することは、無症候性AFを持つ個人が生活習慣の変化を予防できるため、かなりの公衆衛生上の利益をもたらす可能性がある。
ウェアラブルの価格が上がるにつれて、パーソナライズされたヘルスケアがよりアクセスしやすくなってきている。
これらのパーソナライズされた医療ソリューションは、計算的に安価でありながら、バイオシグナルの正確な分類を必要とする。
デバイス上で推論を行うことで、レイテンシやネットワーク接続依存性といったクラウドベースのシステム固有の問題を回避する。
超エッジデバイスにデプロイ可能な高精度なリアルタイム心房細動検出のための効率的なパイプラインを提案する。
本研究で採用した特徴工学は,提案パイプラインで使用するリソース効率の高い分類器の最適化に資し,2%の精度でメモリフットプリントにおいて,最高性能の標準mlモデルに10^5\times$を上回った。
また、403$\times$ より少ないメモリを消費し、5.2$\times$が以前のsoa(state-of-the-art)組み込み実装よりも高速である一方で、約6%の精度を得ることができます。
関連論文リスト
- 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) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Towards Personalized Healthcare in Cardiac Population: The Development
of a Wearable ECG Monitoring System, an ECG Lossy Compression Schema, and a
ResNet-Based AF Detector [19.706400613998703]
心房細動(AF)は通常、心電図(ECG)を用いて診断される。
本書では、ウェアラブルECGデバイス、モバイルアプリケーション、バックエンドサーバを具現化したパーソナライズされた医療システムの設計と実装について述べる。
論文 参考訳(メタデータ) (2022-07-11T19:08:46Z) - Arrhythmia Classifier Using Convolutional Neural Network with Adaptive
Loss-aware Multi-bit Networks Quantization [4.8538839251819486]
メモリ消費を23.36倍に削減する高圧縮率を実現する1次元適応型ロスアウェア量子化を提案する。
我々は、MIT-BIHデータセットで訓練された17種類のリズムクラスを分類するために、17層のエンドツーエンドニューラルネットワーク分類器を提案する。
本研究は,ハードウェアフレンドリーで,ウェアラブルデバイスに展開可能な1次元畳み込みニューラルネットワークを実現する。
論文 参考訳(メタデータ) (2022-02-27T14:26:41Z) - 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) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - A Novel Non-Invasive Estimation of Respiration Rate from
Photoplethysmograph Signal Using Machine Learning Model [0.0]
呼吸速度 (RR) は患者の健康を示す重要な指標である。
リアルタイムの連続RRモニタリング施設は集中ケアユニット(ICU)でのみ利用可能です。
最近の研究では、RR推定のためのPhotoplethysmogram(ECG)および/心電図(ECG)信号が提案されている。
本稿では,PPG信号特性を有する機械学習(ML)モデルを用いたRR推定手法について述べる。
論文 参考訳(メタデータ) (2021-02-18T17:08:50Z) - Personalized Deep Learning for Ventricular Arrhythmias Detection on
Medical IoT Systems [17.966382901357118]
心室不整脈(VA)は突然死(SCD)の原因である
医療用IoTシステム上での深層学習に基づくVA検出のためのパーソナライズされたコンピューティングフレームワークを提案する。
心内および表面リズムモニターの両方でリアルタイムに推定を行う。
論文 参考訳(メタデータ) (2020-08-18T17:41:58Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。
具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。
次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文 参考訳(メタデータ) (2020-07-13T20:05:19Z) - DeepBeat: A multi-task deep learning approach to assess signal quality
and arrhythmia detection in wearable devices [0.0]
我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。
我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。
2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
論文 参考訳(メタデータ) (2020-01-01T07:41:28Z)
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。