論文の概要: Heart Abnormality Detection from Heart Sound Signals using MFCC Feature
and Dual Stream Attention Based Network
- arxiv url: http://arxiv.org/abs/2211.09751v1
- Date: Thu, 17 Nov 2022 18:20:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 17:23:18.342462
- Title: Heart Abnormality Detection from Heart Sound Signals using MFCC Feature
and Dual Stream Attention Based Network
- Title（参考訳）: mfcc特徴量とdual stream attention based networkを用いた心臓信号からの心臓異常検出
- Authors: Nayeeb Rashid, Swapnil Saha, Mohseu Rashid Subah, Rizwan Ahmed Robin,
Syed Mortuza Hasan Fahim, Shahed Ahmed, Talha Ibn Mahmud
- Abstract要約: そこで,本研究では,患者の心臓状態の異常を検出するために,生の心臓音信号とMFCC特徴の両方を用いて,注意機構を備えた新しい深層学習型デュアルストリームネットワークを提案する。
このモデルは、利用可能なPCG信号の最大のデータセットに基づいて訓練されており、精度87.11、感度872.41、特異度91.8、MACC87.12を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiovascular diseases are one of the leading cause of death in today's
world and early screening of heart condition plays a crucial role in preventing
them. The heart sound signal is one of the primary indicator of heart condition
and can be used to detect abnormality in the heart. The acquisition of heart
sound signal is non-invasive, cost effective and requires minimum equipment.
But currently the detection of heart abnormality from heart sound signal
depends largely on the expertise and experience of the physician. As such an
automatic detection system for heart abnormality detection from heart sound
signal can be a great asset for the people living in underdeveloped areas. In
this paper we propose a novel deep learning based dual stream network with
attention mechanism that uses both the raw heart sound signal and the MFCC
features to detect abnormality in heart condition of a patient. The deep neural
network has a convolutional stream that uses the raw heart sound signal and a
recurrent stream that uses the MFCC features of the signal. The features from
these two streams are merged together using a novel attention network and
passed through the classification network. The model is trained on the largest
publicly available dataset of PCG signal and achieves an accuracy of 87.11,
sensitivity of 82.41, specificty of 91.8 and a MACC of 87.12.
- Abstract（参考訳）: 心臓血管疾患は、今日の世界で主要な死因の1つであり、心臓病の早期スクリーニングはそれらを防ぐ上で重要な役割を担っている。
心臓音信号は心臓の症状の主要な指標の1つであり、心臓の異常を検出するのに使用できる。
心臓音信号の取得は非侵襲的で費用対効果があり、最小限の装置を必要とする。
しかし、現在心臓信号からの心臓異常の検出は、医師の専門知識と経験に大きく依存している。
これにより、心エコー信号から心臓異常を検出する自動検出システムは、未発達地域に住む人々にとって大きな資産となり得る。
本稿では,患者の心臓状態の異常を検出するために,生の心臓音信号とMFCC特徴の両方を用いた注意機構を備えた新しい深層学習型デュアルストリームネットワークを提案する。
ディープニューラルネットワークは、生の心臓音信号を使用する畳み込みストリームと、信号のMFCC特徴を使用するリカレントストリームとを有する。
これら2つのストリームの特徴は、新しい注目ネットワークを使用して統合され、分類ネットワークを通過する。
このモデルは、最大で利用可能なpcg信号のデータセットに基づいてトレーニングされ、精度87.11、感度82.41、特異性91.8、mcc87.12を達成する。
関連論文リスト
- 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) - Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。
本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。
本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-07T12:15:53Z) - Classification of Short Segment Pediatric Heart Sounds Based on a Transformer-Based Convolutional Neural Network [1.5705429611931057]
今回の研究では、RMSSDとZCRインジケータに適した信号を得るためには、0.4が理想的なしきい値であることが示されている。
短い信号(3sの心臓音)は、心臓音を正確に分類するのに十分な情報を持っておらず、長い信号(15sの心臓音)はより多くのノイズを含むことがある。
最も精度の高い93.69%の5s信号が得られ、心臓の音を識別する。
論文 参考訳（メタデータ） (2024-03-30T20:32:35Z) - Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals [4.056982620027252]
単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。
また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
論文 参考訳（メタデータ） (2024-02-12T11:04:08Z) - Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly
Detection [33.48389041651675]
心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。
希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。
本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
論文 参考訳（メタデータ） (2023-08-03T09:16:57Z) - 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) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳（メタデータ） (2021-06-03T14:09:04Z) - 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) - ECGDetect: Detecting Ischemia via Deep Learning [0.0]
RCE-ECG-Detectは、心筋虚血に伴うST変化における形態パターンを検出する機械学習モデルである。
我々のディープニューラルネットワークモデルは畳み込み層を備え、90.31%のROC-AUC、89.34%の感度、87.81%の特異性が得られる。
論文 参考訳（メタデータ） (2020-09-28T11:57:26Z) - A Robust Interpretable Deep Learning Classifier for Heart Anomaly
Detection Without Segmentation [37.70077538403524]
心音分類の先行段階として, 心音分節の重要性を論じる。
次に,心臓の異常音検出のための頑健な分類器を提案する。
我々の新しい分類器はまた、広く使われているPhyloNetデータセットでほぼ100%の精度で、堅牢で安定しており、最も重要な説明が可能であることも示されています。
論文 参考訳（メタデータ） (2020-05-21T06:36:28Z) - 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。