論文の概要: RRWaveNet: A Compact End-to-End Multi-Scale Residual CNN for Robust PPG
Respiratory Rate Estimation
- arxiv url: http://arxiv.org/abs/2208.08672v1
- Date: Thu, 18 Aug 2022 07:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 12:59:49.979689
- Title: RRWaveNet: A Compact End-to-End Multi-Scale Residual CNN for Robust PPG
Respiratory Rate Estimation
- Title(参考訳): RRWaveNet:ロバストPSG呼吸速度推定のための小型マルチスケール残留CNN
- Authors: Pongpanut Osathitporn, Guntitat Sawadwuthikul, Punnawish Thuwajit,
Kawisara Ueafuea, Thee Mateepithaktham, Narin Kunaseth, Tanut
Choksatchawathi, Proadpran Punyabukkana, Emmanuel Mignot and Theerawit
Wilaiprasitporn
- Abstract要約: RRの変化は、心臓病、肺疾患、睡眠障害などの深刻な医療イベントを反映できるため、呼吸速度(RR)は重要なバイオマーカーである。
標準RRカウントはヒューマンエラーを起こしやすいため、連続的に実行することはできない。
本研究では,RRWaveNetを連続的に推定する手法を提案する。
- 参考スコア(独自算出の注目度): 0.6464087844700315
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Respiratory rate (RR) is an important biomarker as RR changes can reflect
severe medical events such as heart disease, lung disease, and sleep disorders.
Unfortunately, however, standard manual RR counting is prone to human error and
cannot be performed continuously. This study proposes a method for continuously
estimating RR, RRWaveNet. The method is a compact end-to-end deep learning
model which does not require feature engineering and can use low-cost raw
photoplethysmography (PPG) as input signal. RRWaveNet was tested
subject-independently and compared to baseline in three datasets (BIDMC,
CapnoBase, and WESAD) and using three window sizes (16, 32, and 64 seconds).
RRWaveNet outperformed current state-of-the-art methods with mean absolute
errors at optimal window size of 1.66 \pm 1.01, 1.59 \pm 1.08, and 1.92 \pm
0.96 breaths per minute for each dataset. In remote monitoring settings, such
as in the WESAD dataset, we apply transfer learning to two other ICU datasets,
reducing the MAE to 1.52 \pm 0.50 breaths per minute, showing this model allows
accurate and practical estimation of RR on affordable and wearable devices. Our
study shows feasibility of remote RR monitoring in the context of telemedicine
and at home.
- Abstract(参考訳): RRの変化は、心臓病、肺疾患、睡眠障害などの深刻な医療イベントを反映できるため、呼吸速度(RR)は重要なバイオマーカーである。
しかし残念なことに、標準的な手動rrカウントはヒューマンエラーを起こしやすく、継続的に実行できない。
本研究では,RRWaveNetを連続的に推定する手法を提案する。
この方法は、機能工学を必要としないコンパクトなエンドツーエンドのディープラーニングモデルであり、低コストなraw photoplethysmography (ppg) を入力信号として使用できる。
RRWaveNetは,3つのデータセット(BIDMC, CapnoBase, WESAD)のベースラインと比較し,3つのウィンドウサイズ(16, 32, 64秒)を使用した。
RRWaveNetは、平均絶対誤差を最適なウィンドウサイズ 1.66 \pm 1.01, 1.59 \pm 1.08, 1.92 \pm 0.96 で上回った。
WESADデータセットなどのリモート監視設定では、他の2つのICUデータセットに転送学習を適用し、MAEを1分あたり1.22 \pm 0.50に削減し、このモデルが安価なウェアラブルデバイス上でのRRの正確かつ実用的な推定を可能にしていることを示す。
遠隔医療と在宅における遠隔rrモニタリングの実現可能性について検討した。
関連論文リスト
- Respiratory motion forecasting with online learning of recurrent neural
networks for safety enhancement in externally guided radiotherapy [0.0]
リアルタイム反復学習(Real-time Recurrent Learning, RTRL)は、非定常呼吸データ内のパターンを学習できるが、複雑さが高いため、潜在的な解決法である。
本研究は,放射線治療中の呼吸運動を正確に予測する資源効率の高いオンラインRNNアルゴリズムの能力を評価する。
論文 参考訳(メタデータ) (2024-03-03T20:16:16Z) - Robust CNN-based Respiration Rate Estimation for Smartwatch PPG and IMU [2.206233030459147]
呼吸速度 (RR) は、心臓血管疾患や睡眠障害などの様々な疾患の指標である。
既存のRR推定手法は、自由生活条件下で手首領域からPSGデータを収集する際に、RRを正確に抽出するのに苦労する。
本稿では、PPG、加速度計、ジャイロスコープ信号からRRを抽出するための畳み込みニューラルネットワークに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-01-10T15:15:46Z) - Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and
Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the
Human Connectome Development Cohort [55.41644538483948]
本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。
その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
論文 参考訳(メタデータ) (2023-07-03T18:06:36Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - DiffIR: Efficient Diffusion Model for Image Restoration [108.82579440308267]
拡散モデル(DM)は、画像合成過程をデノナイジングネットワークのシーケンシャルな応用にモデル化することで、SOTA性能を達成した。
画像全体や特徴マップを推定する大規模なモデルで大規模なイテレーションを実行する従来のDMは、画像復元には非効率である。
本稿では、小型IR先行抽出ネットワーク(CPEN)、ダイナミックIR変換器(DIRformer)、デノナイズネットワーク(Denoising Network)からなるDiffIRを提案する。
論文 参考訳(メタデータ) (2023-03-16T16:47:14Z) - Prediction of the motion of chest internal points using a recurrent
neural network trained with real-time recurrent learning for latency
compensation in lung cancer radiotherapy [0.0]
追跡点と初期腫瘍像から3次元の腫瘍像を復元・予測する手法を提案する。
テストセット上のRNN予測に対応するルート平均二乗誤差、最大誤差、ジッタは、線形予測と最小平均二乗(LMS)で得られたものと同じ性能測定値よりも小さい。
予測画像の腫瘍位置は視力的に正しかったが, 原画像と予測画像の相互相関は0.955と高い値であった。
論文 参考訳(メタデータ) (2022-07-13T04:08:21Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳(メタデータ) (2021-08-23T21:03:09Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - An End-to-End and Accurate PPG-based Respiratory Rate Estimation
Approach Using Cycle Generative Adversarial Networks [6.248335775936125]
呼吸率(RR)は換気を表す臨床徴候です。
Cycle Generative Adversarial Networks (CycleGAN) を用いたRR推定のためのエンドツーエンドで正確なパイプラインを提案する。
論文 参考訳(メタデータ) (2021-05-03T01:16:32Z) - A Novel Non-Invasive Estimation of Respiration Rate from
Photoplethysmograph Signal Using Machine Learning Model [0.0]
呼吸速度 (RR) は患者の健康を示す重要な指標である。
リアルタイムの連続RRモニタリング施設は集中ケアユニット(ICU)でのみ利用可能です。
最近の研究では、RR推定のためのPhotoplethysmogram(ECG)および/心電図(ECG)信号が提案されている。
本稿では,PPG信号特性を有する機械学習(ML)モデルを用いたRR推定手法について述べる。
論文 参考訳(メタデータ) (2021-02-18T17:08:50Z)
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。