論文の概要: A Personalized Zero-Shot ECG Arrhythmia Monitoring System: From Sparse
Representation Based Domain Adaption to Energy Efficient Abnormal Beat
Detection for Practical ECG Surveillance
- arxiv url: http://arxiv.org/abs/2207.07089v1
- Date: Thu, 14 Jul 2022 17:40:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 14:07:16.177050
- Title: A Personalized Zero-Shot ECG Arrhythmia Monitoring System: From Sparse
Representation Based Domain Adaption to Energy Efficient Abnormal Beat
Detection for Practical ECG Surveillance
- Title（参考訳）: パーソナライズされたゼロショット心電図不整脈モニタリングシステム : スパース表現に基づくドメイン適応からエネルギー効率の良い異常ビート検出まで
- Authors: Mehmet Yama\c{c}, Mert Duman, \.Ilke Adal{\i}o\u{g}lu, Serkan
Kiranyaz, Moncef Gabbouj
- Abstract要約: 本稿では,ウェアラブルモバイルセンサにおける早期不整脈検出のための低コストで高精度なECGモニタリングシステムを提案する。
ウェアラブルデバイスにパーソナライズされたアルゴリズムが組み込まれている現実のシナリオでは、そのようなトレーニングデータは、心疾患歴のない健康な人には利用できない。
本稿では,既存ユーザの異常信号と正常信号とを新たなユーザ信号空間に投影するために,疎表現に基づくドメイン適応手法を提案する。
ゼロショット不整脈検出のアプローチでは、平均精度は98.2%、F1スコアは92.8%となる。
- 参考スコア（独自算出の注目度）: 20.484741412823446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a low-cost and highly accurate ECG-monitoring system
intended for personalized early arrhythmia detection for wearable mobile
sensors. Earlier supervised approaches for personalized ECG monitoring require
both abnormal and normal heartbeats for the training of the dedicated
classifier. However, in a real-world scenario where the personalized algorithm
is embedded in a wearable device, such training data is not available for
healthy people with no cardiac disorder history. In this study, (i) we propose
a null space analysis on the healthy signal space obtained via sparse
dictionary learning, and investigate how a simple null space projection or
alternatively regularized least squares-based classification methods can reduce
the computational complexity, without sacrificing the detection accuracy, when
compared to sparse representation-based classification. (ii) Then we introduce
a sparse representation-based domain adaptation technique in order to project
other existing users' abnormal and normal signals onto the new user's signal
space, enabling us to train the dedicated classifier without having any
abnormal heartbeat of the new user. Therefore, zero-shot learning can be
achieved without the need for synthetic abnormal heartbeat generation. An
extensive set of experiments performed on the benchmark MIT-BIH ECG dataset
shows that when this domain adaptation-based training data generator is used
with a simple 1-D CNN classifier, the method outperforms the prior work by a
significant margin. (iii) Then, by combining (i) and (ii), we propose an
ensemble classifier that further improves the performance. This approach for
zero-shot arrhythmia detection achieves an average accuracy level of 98.2% and
an F1-Score of 92.8%. Finally, a personalized energy-efficient ECG monitoring
scheme is proposed using the above-mentioned innovations.
- Abstract（参考訳）: 本稿では,ウェアラブルモバイルセンサにおける早期不整脈検出のための低コストで高精度なECGモニタリングシステムを提案する。
パーソナライズされた心電図モニタリングのための従来型のアプローチでは、専用分類器のトレーニングには異常と正常な心拍の両方が必要となる。
しかし、パーソナライズされたアルゴリズムがウェアラブルデバイスに埋め込まれている現実のシナリオでは、そのようなトレーニングデータは、心疾患歴のない健康な人には利用できない。
本研究では,
(i)スパース辞書学習により得られた健全な信号空間のヌル空間解析を提案し,単純なヌル空間投影法や最小二乗法に基づく分類法が、スパース表現に基づく分類と比較して検出精度を犠牲にすることなく、計算の複雑さをいかに低減できるかを検討する。
(ii)新しいユーザの信号空間に他の既存ユーザの異常信号や正常信号を投影するために、スパース表現に基づくドメイン適応手法を導入することにより、新規ユーザの異常な心拍を伴わずに専用分類器を訓練できる。
したがって、合成異常心拍発生を必要とせずにゼロショット学習を実現することができる。
ベンチマークMIT-BIH ECGデータセットで実施された広範な実験により、このドメイン適応ベースのトレーニングデータジェネレータが単純な1-D CNN分類器で使用される場合、この手法は以前の処理よりも大幅に向上することが示された。
(三)その後、組み合わせて
(i)および
(ii)性能をさらに向上させるアンサンブル分類器を提案する。
ゼロショット不整脈検出のアプローチでは、平均精度は98.2%、F1スコアは92.8%となる。
最後に、上記のイノベーションを用いて、エネルギー効率の高いECGモニタリング手法を提案する。
関連論文リスト
- EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection [7.574088346030774]
本稿では, 心電図における異常信号の検出に, 正規信号のラベルのみをトレーニングデータとして用いた。
イメージをパッチに分割して学習し,自動エンコーダをマスクする自己教師型視覚変換器にヒントを得て,脳波異常検出モデルEB-GAMEを導入する。
論文 参考訳（メタデータ） (2024-04-08T13:01:59Z) - 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) - A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。
各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文 参考訳（メタデータ） (2022-08-29T05:01:04Z) - 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) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - 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) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - 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) - 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。