Fugu-MT 論文翻訳(概要): Arrhythmia Classifier using Binarized Convolutional Neural Network for Resource-Constrained Devices

論文の概要: Arrhythmia Classifier using Binarized Convolutional Neural Network for Resource-Constrained Devices

arxiv url: http://arxiv.org/abs/2205.03661v1
Date: Sat, 7 May 2022 14:21:32 GMT
ステータス: 処理完了
システム内更新日: 2022-05-10 15:53:13.007703
Title: Arrhythmia Classifier using Binarized Convolutional Neural Network for Resource-Constrained Devices
Title（参考訳）: 資源制約デバイスのための二元化畳み込みニューラルネットワークを用いた不整脈分類器
Authors: Ao Wang, Wenxing Xu, Hanshi Sun, Ninghao Pu, Zijin Liu, Hao Liu
Abstract要約: ECGモニタリングに適した二元化畳み込みニューラルネットワークを提案する。ハードウェアフレンドリーで、リソースに制約のあるウェアラブルデバイスでの使用に適している。計算速度は12.65倍、ストレージ圧縮比は24.8倍であり、メモリオーバーヘッドの4分の1しか必要としない。
参考スコア（独自算出の注目度）: 4.36031697142651
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Monitoring electrocardiogram signals is of great significance for the diagnosis of arrhythmias. In recent years, deep learning and convolutional neural networks have been widely used in the classification of cardiac arrhythmias. However, the existing neural network applied to ECG signal detection usually requires a lot of computing resources, which is not friendlyF to resource-constrained equipment, and it is difficult to realize real-time monitoring. In this paper, a binarized convolutional neural network suitable for ECG monitoring is proposed, which is hardware-friendly and more suitable for use in resource-constrained wearable devices. Targeting the MIT-BIH arrhythmia database, the classifier based on this network reached an accuracy of 95.67% in the five-class test. Compared with the proposed baseline full-precision network with an accuracy of 96.45%, it is only 0.78% lower. Importantly, it achieves 12.65 times the computing speedup, 24.8 times the storage compression ratio, and only requires a quarter of the memory overhead.
Abstract（参考訳）: 不整脈の診断には心電図信号のモニタリングが重要である。近年では、深層学習と畳み込みニューラルネットワークが心臓不整脈の分類に広く用いられている。しかし、ECG信号検出に適用される既存のニューラルネットワークは通常、リソース制約された機器にフレンドリではない多くのコンピューティングリソースを必要とするため、リアルタイム監視を実現することは困難である。本稿では,ECGモニタリングに適した二項化畳み込みニューラルネットワークを提案する。 MIT-BIHの不整脈データベースをターゲットとして、このネットワークに基づく分類器は5クラステストで95.67%の精度に達した。 96.45%の精度で提案されたベースライン完全精度ネットワークと比較すると、0.78%低い。重要なのは、計算スピードアップの12.65倍、ストレージ圧縮の24.8倍、メモリオーバーヘッドの4分の1だけである。

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)
Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network [4.8083529516303924]
本稿では,ECG信号に基づく5クラス,17クラスの不整脈分類が可能な超軽量バイナリニューラルネットワークを提案する。本モデルは17クラス分類において最適精度を達成し,エレガントにシンプルなネットワークアーキテクチャを有する。我々の研究は、医療産業における軽量なディープラーニングモデルの可能性を示している。
論文参考訳（メタデータ） (2023-04-04T06:47:54Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
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)
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)
Robust R-Peak Detection in Low-Quality Holter ECGs using 1D Convolutional Neural Network [20.198563425074372]
本論文ではホルターECG信号におけるRピーク検出のための汎用かつ堅牢なシステムを提案する。 1D Convolutional Neural Network(CNN)の新しい実装は、誤報の数を減らすために検証モデルと統合されています。実験の結果,CPSC-DBでは99.30%のF1スコア,99.69%のリコール,98.91%の精度が得られた。
論文参考訳（メタデータ） (2020-12-29T21:10:54Z)
Deep Learning-Based Arrhythmia Detection Using RR-Interval Framed Electrocardiograms [9.884633954053344]
ディープラーニングは、生体認証セキュリティアプリケーションにおける個人認証を実現するために使用することができる。我々は,連続したRピーク間の距離を表す時間スライスされた心電図データを用いた不整脈検出モデルを開発した。この小型システムは、ウェアラブルデバイスやリアルタイム監視機器に実装することができる。
論文参考訳（メタデータ） (2020-12-01T09:10:24Z)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)
Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。信号対雑音比が25未満の信号に対する感度は6因子改善した。保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文参考訳（メタデータ） (2020-06-02T10:20:11Z)
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)
Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms for Cardiac Arrhythmia Detection [0.18459705687628122]
マイクロコントローラと低消費電力プロセッサで動作するニューラルネットワークの推論に焦点を当てる。心不整脈を検出・分類するために既存の畳み込みリカレントニューラルネットワークを適用した。メモリフットプリントは195.6KB、スループットは33.98MOps/sである。
論文参考訳（メタデータ） (2020-01-08T10:35:48Z)

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。