Fugu-MT 論文翻訳(概要): Classification of ECG based on Hybrid Features using CNNs for Wearable Applications

論文の概要: Classification of ECG based on Hybrid Features using CNNs for Wearable Applications

arxiv url: http://arxiv.org/abs/2206.07648v1
Date: Tue, 14 Jun 2022 12:14:40 GMT
ステータス: 処理完了
システム内更新日: 2022-06-16 15:12:13.184592
Title: Classification of ECG based on Hybrid Features using CNNs for Wearable Applications
Title（参考訳）: ウェアラブル用CNNを用いたハイブリッド特徴量に基づくECGの分類
Authors: Li Xiaolin, Fang Xiang, Rajesh C. Panicker, Barry Cardiff, Deepu John
Abstract要約: ハイブリッド機能と3つの異なるモデルを用いたECG分類の性能向上を示す。この研究で提案されたRR間隔の特徴に基づくモデルでは、98.98%の精度が達成され、ベースラインモデルよりも改善された。周波数特性とRR間隔特性を組み合わせた別のモデルが開発され、ノイズ環境下での良好な持続性能で99%の精度で達成された。
参考スコア（独自算出の注目度）: 2.0999222360659604
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sudden cardiac death and arrhythmia account for a large percentage of all deaths worldwide. Electrocardiography (ECG) is the most widely used screening tool for cardiovascular diseases. Traditionally, ECG signals are classified manually, requiring experience and great skill, while being time-consuming and prone to error. Thus machine learning algorithms have been widely adopted because of their ability to perform complex data analysis. Features derived from the points of interest in ECG - mainly Q, R, and S, are widely used for arrhythmia detection. In this work, we demonstrate improved performance for ECG classification using hybrid features and three different models, building on a 1-D convolutional neural network (CNN) model that we had proposed in the past. An RR interval features based model proposed in this work achieved an accuracy of 98.98%, which is an improvement over the baseline model. To make the model immune to noise, we updated the model using frequency features and achieved good sustained performance in presence of noise with a slightly lower accuracy of 98.69%. Further, another model combining the frequency features and the RR interval features was developed, which achieved a high accuracy of 99% with good sustained performance in noisy environments. Due to its high accuracy and noise immunity, the proposed model which combines multiple hybrid features, is well suited for ambulatory wearable sensing applications.
Abstract（参考訳）: 突然の心臓死と不整脈が全世界の死亡率の大部分を占めている。心電図(ECG)は心血管疾患のスクリーニングツールとして最も広く用いられている。伝統的に、ECG信号は手動で分類され、経験と優れたスキルを必要とする。このように、複雑なデータ分析を行う能力のため、機械学習アルゴリズムが広く採用されている。心電図の興味点(主にQ,R,S)から派生した特徴は不整脈検出に広く用いられている。本研究では,これまで提案してきた1次元畳み込みニューラルネットワーク(cnn)モデルに基づいて,ハイブリッド特徴と3つの異なるモデルを用いたecg分類の性能向上を実証する。この研究で提案されたRR間隔の特徴に基づくモデルでは98.98%の精度が達成された。ノイズに免疫させるため,周波数特性を用いてモデルを更新し,98.69%の精度でノイズの存在下で良好な持続性能を実現した。さらに、周波数特性とRR間隔特性を組み合わせた別のモデルを開発し、ノイズ環境下での良好な持続性能で99%の精度を実現した。高い精度とノイズ免疫性のため、複数のハイブリッド機能を組み合わせたモデルが、増幅型ウェアラブルセンシングアプリケーションに適している。

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)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
論文参考訳（メタデータ） (2023-03-06T13:26:29Z)
Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文参考訳（メタデータ） (2022-06-29T23:22:18Z)
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)
Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文参考訳（メタデータ） (2022-04-07T22:49:18Z)
Supraventricular Tachycardia Detection and Classification Model of ECG signal Using Machine Learning [0.0]
心電図(ECG)信号の研究は心疾患の診断に不可欠である。本研究は,雑音のフィルタリングを含む数段階からなる上室性不整脈予測モデルを提案する。我々は,異なるタイプの上室頻拍を分類できる機械学習に基づく分類モデルを開発した。
論文参考訳（メタデータ） (2021-12-24T05:48:26Z)
Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
論文参考訳（メタデータ） (2021-12-05T20:28:55Z)
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)
Multistage Pruning of CNN Based ECG Classifiers for Edge Devices [9.223908421919733]
畳み込みニューラルネットワーク(CNN)に基づくディープラーニングは、ECGの異常なビートを検出するのに成功している。既存のCNNモデルの計算複雑性は、低消費電力エッジデバイスに実装することを禁止している。本稿では,CNNモデルの複雑性を低減し,性能を損なうことなく,新たなマルチステージプルーニング手法を提案する。
論文参考訳（メタデータ） (2021-08-31T17:51:15Z)
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。