論文の概要: Noninvasive Fetal Electrocardiography: Models, Technologies and
Algorithms
- arxiv url: http://arxiv.org/abs/2112.13021v1
- Date: Fri, 24 Dec 2021 10:16:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 17:27:06.700061
- Title: Noninvasive Fetal Electrocardiography: Models, Technologies and
Algorithms
- Title(参考訳): 非侵襲的胎児心電図 : モデル,技術,アルゴリズム
- Authors: Reza Sameni
- Abstract要約: 胎児心電図(fECG)は1900年代初頭に母体腹部から初めて記録された。
本章の主なトピックは,1)信号処理の観点からのfECGの電気生理学,2)母方体積伝導媒体の数学的モデル,3)信号取得要件である。
- 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: The fetal electrocardiogram (fECG) was first recorded from the maternal
abdominal surface in the early 1900s. During the past fifty years, the most
advanced electronics technologies and signal processing algorithms have been
used to convert noninvasive fetal electrocardiography into a reliable
technology for fetal cardiac monitoring. In this chapter, the major signal
processing techniques, which have been developed for the modeling, extraction
and analysis of the fECG from noninvasive maternal abdominal recordings are
reviewed and compared with one another in detail. The major topics of the
chapter include: 1) the electrophysiology of the fECG from the signal
processing viewpoint, 2) the mathematical model of the maternal volume
conduction media and the waveform models of the fECG acquired from body surface
leads, 3) the signal acquisition requirements, 4) model-based techniques for
fECG noise and interference cancellation, including adaptive filters and
semi-blind source separation techniques, and 5) recent algorithmic advances for
fetal motion tracking and online fECG extraction from few number of channels.
- Abstract(参考訳): 胎児心電図(fECG)は1900年代初頭に母体腹部から初めて記録された。
過去50年間、最も先進的な電子工学技術と信号処理アルゴリズムは、非侵襲的な胎児心電図を胎児の心臓モニタリングのための信頼できる技術に変換するために用いられてきた。
本章では,非侵襲的母体腹部記録からのfECGのモデリング,抽出,解析のために開発された主要な信号処理技術について概説し,相互に詳細に比較する。
章の主な話題は以下のとおりである。
1)信号処理の観点からのfECGの電気生理学
2)母体表面から得られたfECGの母体体積伝導媒体の数学的モデルと波形モデル
3) 信号取得要件
4)適応フィルタや半盲音源分離技術を含むfECGノイズと干渉キャンセルのためのモデルに基づく手法
5) 少数のチャンネルから胎児の運動追跡とオンラインfECG抽出のアルゴリズムが進歩した。
関連論文リスト
- Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for
Multimodal Medical Diagnosis [59.35504779947686]
GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。
評価対象は17の人体システムである。
GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。
疾患の診断と包括的報告作成において重大な課題に直面している。
論文 参考訳(メタデータ) (2023-10-15T18:32:27Z) - A Novel Deep Learning Technique for Morphology Preserved Fetal ECG
Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。
fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。
本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。
胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
論文 参考訳(メタデータ) (2023-09-25T19:38:51Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T19:34:12Z) - Masked Transformer for Electrocardiogram Classification [7.229662895786343]
MTECGと呼ばれるECG分類に有用なマスク付きトランスフォーマー法を提案する。
提案したトレーニング戦略では、5.7Mパラメータの軽量モデルが幅広いマスキング比で安定して機能する。
プライベートなECGデータセットとパブリックなECGデータセットの両方の実験により、MTECG-TはECG分類における最近の最先端アルゴリズムよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2023-08-31T09:21:23Z) - 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) - ECG Artifact Removal from Single-Channel Surface EMG Using Fully
Convolutional Networks [9.468136300919062]
本研究は,完全畳み込みネットワーク(FCN)を用いた単一チャネルsEMG信号からECGアーチファクトを除去する新しい復号法を提案する。
提案手法は,SEMGデノナイズのためのニューラルネットワークのデノエーズオートエンコーダ構造と強力な非線形マッピング機能を採用する。
論文 参考訳(メタデータ) (2022-10-24T14:12:11Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳(メタデータ) (2022-03-12T15:24:03Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - 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) - Fetal Gender Identification using Machine and Deep Learning Algorithms
on Phonocardiogram Signals [3.5366052026723547]
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。
論文 参考訳(メタデータ) (2021-10-10T16:25:09Z) - 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)
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。