論文の概要: A novel deep learning-based approach for sleep apnea detection using
single-lead ECG signals
- arxiv url: http://arxiv.org/abs/2208.03408v1
- Date: Fri, 5 Aug 2022 23:46:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:15:24.647780
- Title: A novel deep learning-based approach for sleep apnea detection using
single-lead ECG signals
- Title（参考訳）: 単誘導心電図信号を用いた睡眠時無呼吸検出のための新しい深層学習手法
- Authors: Anh-Tu Nguyen, Thao Nguyen, Huy-Khiem Le, Huy-Hieu Pham, Cuong Do
- Abstract要約: 睡眠時無呼吸症(Sleep apnea、SA)は、睡眠障害の一種。
ECGに基づくSA検出に関する最近の研究は、機能工学技術に焦点を当てている。
本研究では,Sピークの検出に基づく特徴抽出手法を提案する。
- 参考スコア（独自算出の注目度）: 7.625967596570493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sleep apnea (SA) is a type of sleep disorder characterized by snoring and
chronic sleeplessness, which can lead to serious conditions such as high blood
pressure, heart failure, and cardiomyopathy (enlargement of the muscle tissue
of the heart). The electrocardiogram (ECG) plays a critical role in identifying
SA since it might reveal abnormal cardiac activity. Recent research on
ECG-based SA detection has focused on feature engineering techniques that
extract specific characteristics from multiple-lead ECG signals and use them as
classification model inputs. In this study, a novel method of feature
extraction based on the detection of S peaks is proposed to enhance the
detection of adjacent SA segments using a single-lead ECG. In particular, ECG
features collected from a single lead (V2) are used to identify SA episodes. On
the extracted features, a CNN model is trained to detect SA. Experimental
results demonstrate that the proposed method detects SA from single-lead ECG
data is more accurate than existing state-of-the-art methods, with 91.13%
classification accuracy, 92.58% sensitivity, and 88.75% specificity. Moreover,
the further usage of features associated with the S peaks enhances the
classification accuracy by 0.85%. Our findings indicate that the proposed
machine learning system has the potential to be an effective method for
detecting SA episodes.
- Abstract（参考訳）: 睡眠時無呼吸 (sleep apnea, sa) は、睡眠障害の一種で、いびきと慢性無呼吸を特徴とし、高血圧、心不全、心筋症(心臓の筋肉組織の拡大)などの深刻な症状を引き起こすことがある。
心電図(ECG)は、異常な心臓活動を示すため、SAの同定に重要な役割を果たす。
近年のECGに基づくSA検出技術の研究は、複数のリードECG信号から特定の特徴を抽出し、それらを分類モデル入力として利用する特徴工学技術に焦点を当てている。
本研究では,Sピークの検出に基づく特徴抽出手法を提案する。
特に、単一のリード(V2)から収集されたECG特徴を用いてSAエピソードを識別する。
抽出された特徴に基づいて、SAを検出するためにCNNモデルを訓練する。
実験により, 単誘導ECGデータからSAを検出する手法は, 従来の最先端法よりも精度が高く, 分類精度91.13%, 感度92.58%, 特異度88.75%であった。
さらに、Sピークに関連する特徴のさらなる利用は、分類精度を0.85%向上させる。
提案する機械学習システムは,SA エピソードの検出に有効な手法である可能性が示唆された。
関連論文リスト
- Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。
心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。
本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文 参考訳（メタデータ） (2024-10-08T10:03:52Z) - SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。
光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。
本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
論文 参考訳（メタデータ） (2024-04-15T01:07:08Z) - A Novel Deep Learning Technique for Morphology Preserved Fetal ECG
Extraction from Mother ECG using 1D-CycleGAN [3.4162369786064497]
非侵襲性胎児心電図(fECG)は、発達中の心臓の異常を容易に検出することができる。
fECGの低振幅、系統的および周囲雑音、典型的な信号抽出法は、良好なfECGを生成できない。
本手法は1D CycleGANに基づいて,mECG信号からfECG信号を再構成する。
胎児の心拍数とR-R間隔長に対するソリューションの精度は、既存の最先端技術に匹敵するものである。
論文 参考訳（メタデータ） (2023-09-25T19:38:51Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。
注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文 参考訳（メタデータ） (2022-10-31T07:36:48Z) - Two-stream Network for ECG Signal Classification [3.222802562733787]
本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。
本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。
MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
論文 参考訳（メタデータ） (2022-10-05T08:14:51Z) - 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) - 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) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。
我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。
提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-04-02T02:09:11Z)
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。