論文の概要: ECG Biometric Recognition: Review, System Proposal, and Benchmark Evaluation

• arxiv url: http://arxiv.org/abs/2204.03992v1
• Date: Fri, 8 Apr 2022 10:53:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-11 12:17:25.085591
• Title: ECG Biometric Recognition: Review, System Proposal, and Benchmark Evaluation
• Title（参考訳）: ECGバイオメトリック認識:レビュー,システム提案,ベンチマーク評価
• Authors: Pietro Melzi, Ruben Tolosana, Ruben Vera-Rodriguez
• Abstract要約: 我々は、ECGバイオメトリック認識における様々なシナリオの分析と比較を行う。 我々は、社内の大規模データベースでトレーニングされた堅牢なディープラーニング技術であるECGXtractorを提案する。 システムの性能を4つの異なるデータベースで評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electrocardiograms (ECGs) have shown unique patterns to distinguish between different subjects and present important advantages compared to other biometric traits, such as difficulty to counterfeit, liveness detection, and ubiquity. Also, with the success of Deep Learning technologies, ECG biometric recognition has received increasing interest in recent years. However, it is not easy to evaluate the improvements of novel ECG proposed methods, mainly due to the lack of public data and standard experimental protocols. In this study, we perform extensive analysis and comparison of different scenarios in ECG biometric recognition. Both verification and identification tasks are investigated, as well as single- and multi-session scenarios. Finally, we also perform single- and multi-lead ECG experiments, considering traditional scenarios using electrodes in the chest and limbs and current user-friendly wearable devices. In addition, we present ECGXtractor, a robust Deep Learning technology trained with an in-house large-scale database and able to operate successfully across various scenarios and multiple databases. We introduce our proposed feature extractor, trained with multiple sinus-rhythm heartbeats belonging to 55,967 subjects, and provide a general public benchmark evaluation with detailed experimental protocol. We evaluate the system performance over four different databases: i) our in-house database, ii) PTB, iii) ECG-ID, and iv) CYBHi. With the widely used PTB database, we achieve Equal Error Rates of 0.14% and 2.06% in verification, and accuracies of 100% and 96.46% in identification, respectively in single- and multi-session analysis. We release the source code, experimental protocol details, and pre-trained models in GitHub to advance in the field.
• Abstract（参考訳）: 心電図 (ECGs) は, 偽造の困難さ, 生存度検出, ユビキティなど, 他の生体特性と比較して, 異なる被験者を識別し, 重要な優位性を示す特異なパターンを示す。 また、ディープラーニング技術の成功により、近年ECGバイオメトリック認識への関心が高まっている。 しかし,公的なデータや標準実験プロトコルが欠如していることから,新しいECG法の改良を評価することは容易ではない。 本研究では,ECGバイオメトリック認識における様々なシナリオの広範囲な分析と比較を行う。 検証と識別のタスクとシングルセッションとマルチセッションのシナリオの両方を調べます。 最後に、胸と手足の電極と現在のユーザフレンドリーなウェアラブルデバイスを用いた従来のシナリオを考慮し、単葉ECG実験も行います。 さらに、社内の大規模データベースでトレーニングされた堅牢なディープラーニング技術であるECGXtractorを、さまざまなシナリオや複数のデータベースでうまく動作させることができる。 提案する特徴抽出器は,55,967名からなる複数の正弦波拍動を訓練し,詳細な実験プロトコルを用いて一般のベンチマーク評価を行う。 4つの異なるデータベースでシステム性能を評価する。 i) 社内データベース。 ii) PTB 三 ECG-ID及び iv)CYBHi。 広く使われているptbデータベースでは、検証で0.14%と2.06%、識別で100%と96.46%の誤り率を達成している。 この分野を進めるために、ソースコード、実験プロトコルの詳細、および事前トレーニングされたモデルをgithubにリリースします。

関連論文リスト

• An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains [17.809094003643523]
  我々はECG解析の診断能力を拡大するECGファウンデーションモデル(ECGFounder)を導入する。 ECGFounderは、Harvard-Emory ECG Databaseから150のラベルカテゴリを持つ1000万以上のECGでトレーニングされた。 AUROCは80の診断で0.95を超える。
  論文  参考訳（メタデータ） (2024-10-05T12:12:02Z)
• ECG-FM: An Open Electrocardiogram Foundation Model [3.611746032873298]
  本稿では,ECG分析のためのオープン基盤モデルであるECG-FMを提案する。 ECG-FMはトランスフォーマーベースのアーキテクチャを採用し、250万のサンプルで事前訓練されている。 文脈情報のコマンドが強靭なパフォーマンス、豊富な事前学習された埋め込み、信頼性のある解釈可能性をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-09T17:06:49Z)
• 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)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Open Access Dataset for Electromyography based Multi-code Biometric Authentication [3.162643581562756]
  表面筋電図(EMG)は新しい生体計測特性として提案されている。 EMG信号には独特の特性がある。 複数日間の生体認証の結果、前腕のEERは0.017、手首のEERは0.025であった。
  論文  参考訳（メタデータ） (2022-01-04T09:20:34Z)
• 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)
• EDITH :ECG biometrics aided by Deep learning for reliable Individual auTHentication [4.572194444732638]
  私たちは、ECGバイオメトリックス認証システムのためのディープラーニングベースのフレームワークであるEDITHを紹介します。 4つの一般的なデータセットを用いてEDITHを評価し、少ないビートで前作を上回りました。 Siameseアーキテクチャは、アイデンティティ検証のEqual Error Rate(EER)を1.29%に削減する。
  論文  参考訳（メタデータ） (2021-02-16T08:45:17Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。