論文の概要: Prediction of Neonatal Respiratory Distress in Term Babies at Birth from Digital Stethoscope Recorded Chest Sounds

• arxiv url: http://arxiv.org/abs/2201.10105v1
• Date: Tue, 25 Jan 2022 05:46:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 16:50:24.976990
• Title: Prediction of Neonatal Respiratory Distress in Term Babies at Birth from Digital Stethoscope Recorded Chest Sounds
• Title（参考訳）: デジタル聴診器による出生時の新生児呼吸困難の予測
• Authors: Ethan Grooby, Chiranjibi Sitaula, Kenneth Tan, Lindsay Zhou, Arrabella King, Ashwin Ramanathan, Atul Malhotra, Guy A. Dumont, Faezeh Marzbanrad
• Abstract要約: 本報告では, デジタル聴診器を用いた1分後の胸部超音波検査について検討する。 このアルゴリズムは、それぞれ85.0%、66.7%、81.8%の特異性、感度、精度を生んだ。
• 参考スコア（独自算出の注目度）: 2.466324275447402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neonatal respiratory distress is a common condition that if left untreated, can lead to short- and long-term complications. This paper investigates the usage of digital stethoscope recorded chest sounds taken within 1min post-delivery, to enable early detection and prediction of neonatal respiratory distress. Fifty-one term newborns were included in this study, 9 of whom developed respiratory distress. For each newborn, 1min anterior and posterior recordings were taken. These recordings were pre-processed to remove noisy segments and obtain high-quality heart and lung sounds. The random undersampling boosting (RUSBoost) classifier was then trained on a variety of features, such as power and vital sign features extracted from the heart and lung sounds. The RUSBoost algorithm produced specificity, sensitivity, and accuracy results of 85.0%, 66.7% and 81.8%, respectively.
• Abstract（参考訳）: 新生児呼吸困難は、治療を受けていない場合、短期および長期の合併症を引き起こす一般的な症状である。 本報告では, 乳幼児呼吸障害の早期発見と予知を目的として, 1分以内の胸部筋電図を用いた検討を行った。 この研究には50名の新生児が含まれており、うち9人は呼吸困難であった。 新生児1例につき1分前後の録音を行った。 これらの録音はノイズを除去し、高品質な心臓と肺の音を得るために前処理された。 ランダムアンダーサンプリングブースティング(RUSBoost)分類器は、心臓と肺の音から抽出されたパワーやバイタルサインといった様々な特徴に基づいて訓練された。 RUSBoostアルゴリズムは、それぞれ85.0%、66.7%、81.8%の特異性、感度、精度を実現した。

関連論文リスト

• Automatic Infant Respiration Estimation from Video: A Deep Flow-based Algorithm and a Novel Public Benchmark [10.097634735211654]
  本研究では,自然環境下での映像から呼吸速度と波形を推定する深層学習法を開発した。 本モデルでは,125本のビデオによる乳幼児呼吸データセットを作成した。 乳児のAIR-125データを用いて訓練, 試験を行ったところ, 呼吸速度推定における他の最先端手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-07-24T19:59:15Z)
• Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the Human Connectome Development Cohort [55.41644538483948]
  本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。 その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
  論文  参考訳（メタデータ） (2023-07-03T18:06:36Z)
• Activity Recognition From Newborn Resuscitation Videos [3.54339629317433]
  タンザニアのヘイドムで、ビデオを含む新生児の蘇生中に記録された信号のデータセットが収集された。 新生児の蘇生時に活動認識を行うための2段階のディープニューラルネットワークシステムORAA-netを提案する。 このシステムは、新生児の活動、刺激、換気、吸引を平均精度77.67 %、平均リコール77,64 %、平均精度92.40 %と認識した。
  論文  参考訳（メタデータ） (2023-03-14T11:04:32Z)
• Investigating Pulse-Echo Sound Speed Estimation in Breast Ultrasound with Deep Learning [44.70495434283752]
  In-phase および quadrature の超音波信号から音速を推定する深層学習手法を提案する。 準現実性乳房組織を生成する大規模超音波データセットを開発した。 シミュレーション,ファントム,乳房内超音波データを用いたモデルの評価を行った。
  論文  参考訳（メタデータ） (2023-02-06T19:02:44Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Noisy Neonatal Chest Sound Separation for High-Quality Heart and Lung Sounds [2.536333994672575]
  聴診器に記録された胸部音は新生児の遠隔循環型健康モニタリングの機会となる。 信頼性の高いモニタリングには、高品質な心臓と肺の音が必要である。 新生児胸部音響分離のための新しい非負マトリックス因子分解法(NMF)と非負マトリックス共役法(NMCF)を提案する。
  論文  参考訳（メタデータ） (2022-01-10T08:38:10Z)
• Real-Time Multi-Level Neonatal Heart and Lung Sound Quality Assessment for Telehealth Applications [0.08872883781800303]
  遠隔医療と組み合わせたデジタル聴診器により、胸部音の収集と送信が容易になり、遠隔監視と診断が可能となった。 低品質の記録は遠隔監視と診断を複雑にする。 心臓と肺の信号品質を5段階の尺度でリアルタイムに客観的かつ自動評価する手法が提案されている。
  論文  参考訳（メタデータ） (2021-09-29T01:08:20Z)
• A New Non-Negative Matrix Co-Factorisation Approach for Noisy Neonatal Chest Sound Separation [0.09512887847441218]
  非負のマトリックス共役に基づく新しいアプローチが提案され, 胸部雑音を心臓, 肺, 騒音成分に分離する。 この方法は、ノイズ録音の音を分離しながら、20の高品質な心臓と肺の音を訓練することで達成される。 その結果, 心臓および肺の音質は有意に改善し, 心拍数3.6bpmと1.2bpmの精度が向上した。
  論文  参考訳（メタデータ） (2021-09-04T02:48:02Z)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)
• Identification of deep breath while moving forward based on multiple body regions and graph signal analysis [45.62293065676075]
  本稿では,世界深度カメラを通り過ぎているときの深呼吸を自動的に識別できる非閉塞性ソリューションを提案する。 検証実験において、提案手法は、それぞれ75.5%、76.2%、75.0%、75.2%の精度、精度、リコール、F1の比較手法よりも優れている。
  論文  参考訳（メタデータ） (2020-10-20T08:26:50Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)

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。