論文の概要: Deep Learning-based ECG Classification on Raspberry PI using a Tensorflow Lite Model based on PTB-XL Dataset

• arxiv url: http://arxiv.org/abs/2209.00989v1
• Date: Thu, 25 Aug 2022 07:29:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-11 13:14:03.006096
• Title: Deep Learning-based ECG Classification on Raspberry PI using a Tensorflow Lite Model based on PTB-XL Dataset
• Title（参考訳）: ptb-xlデータセットに基づくtensorflow liteモデルを用いたraspberry piのディープラーニングによるecg分類
• Authors: Kushagra Sharma and Rasit Eskicioglu
• Abstract要約: 新型コロナウイルス(COVID-19)のパンデミック以降、IoTデバイスの需要が急増しているため、医療分野でのIoTデバイスの数は急上昇すると予想されている。 ディープラーニングとIoTデバイスは、身体のバイタルを監視し、臨床および非臨床的な設定で異常検出を自動化するために使用されている。 現在の技術のほとんどは、リソースに制約のあるIoTデバイスや組み込みシステムでは効率が良くないリモートサーバに生データを送信する必要がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The number of IoT devices in healthcare is expected to rise sharply due to increased demand since the COVID-19 pandemic. Deep learning and IoT devices are being employed to monitor body vitals and automate anomaly detection in clinical and non-clinical settings. Most of the current technology requires the transmission of raw data to a remote server, which is not efficient for resource-constrained IoT devices and embedded systems. Additionally, it is challenging to develop a machine learning model for ECG classification due to the lack of an extensive open public database. To an extent, to overcome this challenge PTB-XL dataset has been used. In this work, we have developed machine learning models to be deployed on Raspberry Pi. We present an evaluation of our TensorFlow Model with two classification classes. We also present the evaluation of the corresponding TensorFlow Lite FlatBuffers to demonstrate their minimal run-time requirements while maintaining acceptable accuracy.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミック以降、IoTデバイスの需要が急増しているため、医療分野でのIoTデバイスの数は急上昇すると予想されている。 ディープラーニングとIoTデバイスは、身体のバイタルを監視し、臨床および非臨床的な設定で異常検出を自動化するために使用されている。 現在の技術のほとんどは、リソース制約のあるIoTデバイスや組み込みシステムでは効率が良くないリモートサーバに生データを送信する必要がある。 さらに、大規模な公開データベースが欠如しているため、ecg分類のための機械学習モデルを開発することは困難である。 この課題を克服するために、TB-XLデータセットが使用されている。 本研究では,Raspberry Pi上にデプロイ可能な機械学習モデルを開発した。 本稿では2つの分類クラスでTensorFlowモデルの評価を行う。 また、対応するTensorFlow Lite FlatBuffersの評価を行い、許容精度を維持しながら、最小限のランタイム要件を示す。

関連論文リスト

• Yet Another ICU Benchmark: A Flexible Multi-Center Framework for Clinical ML [0.7982607013768545]
  Another ICU Benchmark (YAIB) は、再現性と同等の臨床ML実験を定義するためのモジュラーフレームワークである。 YAIBは、ほとんどのオープンアクセスICUデータセット(MIMIC III/IV、eICU、HiRID、AUMCdb)をサポートし、将来のICUデータセットに容易に適応できる。 データセットの選択,コホート定義,前処理が予測性能に大きな影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2023-06-08T11:16:20Z)
• An embedding for EEG signals learned using a triplet loss [0.0]
  脳-コンピュータインタフェース(BCI)では、デコードされた脳状態情報を最小の時間遅延で使用することができる。 このようなデコードタスクの課題は、小さなデータセットサイズによって引き起こされる。 神経生理学的データのための新しいドメイン特異的埋め込みを提案する。
  論文  参考訳（メタデータ） (2023-03-23T09:05:20Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Improving self-supervised pretraining models for epileptic seizure detection from EEG data [0.23624125155742057]
  本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。 自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
  論文  参考訳（メタデータ） (2022-06-28T17:15:49Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI [4.694126527114577]
  我々は、ECGベースの医療アプリケーションのための連合環境で、新しい説明可能な人工知能(XAI)ベースのディープラーニングフレームワークを設計する。 提案したフレームワークは、MIT-BIH Arrhythmiaデータベースを使用してトレーニングされ、テストされた。
  論文  参考訳（メタデータ） (2021-05-26T11:59:44Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Prune2Edge: A Multi-Phase Pruning Pipelines to Deep Ensemble Learning in IIoT [0.0]
  IIoTデバイス上での学習をアンサンブルするためのエッジベースのマルチフェーズ・プルーニングパイプラインを提案する。 第1フェーズでは、様々なプルーンドモデルのアンサンブルを生成し、次いで整数量子化を適用し、次にクラスタリングに基づく手法を用いて生成されたアンサンブルをプルークする。 提案手法は,ベースラインモデルの予測可能性レベルより優れていた。
  論文  参考訳（メタデータ） (2020-04-09T17:44:34Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。