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

• RespDiff: An End-to-End Multi-scale RNN Diffusion Model for Respiratory Waveform Estimation from PPG Signals [3.306437812367815]
  PPG信号からの呼吸波形推定のためのエンドツーエンドマルチスケールRNNモデルであるRespDiffを提案する。 モデルはマルチスケールエンコーダを使用し、異なる解像度で特徴を抽出し、双方向RNNを使用してPSG信号を処理し、呼吸波形を抽出する。 BIDMCデータセットで行った実験では、RespDiffはRR推定の1.18bpmの平均絶対誤差(MAE)を達成し、先行研究よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-06T05:54:49Z)
• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• Machine Learning-based Estimation of Respiratory Fluctuations in a Healthy Adult Population using BOLD fMRI and Head Motion Parameters [39.96015789655091]
  多くのfMRI研究では、呼吸信号が欠如しているか、品質が悪いことがしばしばある。 周辺記録装置を必要とせずに、fMRIデータから直接呼吸変動(RV)波形を抽出するツールを持つことは、非常に有益である。 本研究では,頭部運動パラメータとBOLD信号を用いたRV波形再構成のためのCNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-30T21:53:11Z)
• 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)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• 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)
• 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)
• 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)
• SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere Representation and Center Points Matching [47.79483848496141]
  3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。 アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。 提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-04-12T05:51:29Z)
• 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。