論文の概要: A Data-Driven Gaussian Process Filter for Electrocardiogram Denoising
- arxiv url: http://arxiv.org/abs/2301.02607v1
- Date: Fri, 6 Jan 2023 17:09:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 00:35:49.009717
- Title: A Data-Driven Gaussian Process Filter for Electrocardiogram Denoising
- Title（参考訳）: 心電図同期のためのデータ駆動ガウスプロセスフィルタ
- Authors: Mircea Dumitru, Qiao Li, Erick Andres Perez Alday, Ali Bahrami Rad,
Gari D. Clifford, Reza Sameni
- Abstract要約: 提案したGPフィルタをPhyloNet QT Database上の最先端ウェーブレットベースフィルタと比較した。
提案したGPフィルタは, 試験された全てのノイズレベルに対して, ベンチマークフィルタより優れていた。
また、QT間隔推定誤差バイアスと分散の観点から、最先端フィルタよりも優れている。
- 参考スコア（独自算出の注目度）: 5.471647605121635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Gaussian Processes (GP)-based filters, which have been effectively
used for various applications including electrocardiogram (ECG) filtering can
be computationally demanding and the choice of their hyperparameters is
typically ad hoc. Methods: We develop a data-driven GP filter to address both
issues, using the notion of the ECG phase domain -- a time-warped
representation of the ECG beats onto a fixed number of samples and aligned
R-peaks, which is assumed to follow a Gaussian distribution. Under this
assumption, the computation of the sample mean and covariance matrix is
simplified, enabling an efficient implementation of the GP filter in a
data-driven manner, with no ad hoc hyperparameters. The proposed filter is
evaluated and compared with a state-of-the-art wavelet-based filter, on the
PhysioNet QT Database. The performance is evaluated by measuring the
signal-to-noise ratio (SNR) improvement of the filter at SNR levels ranging
from -5 to 30dB, in 5dB steps, using additive noise. For a clinical evaluation,
the error between the estimated QT-intervals of the original and filtered
signals is measured and compared with the benchmark filter. Results: It is
shown that the proposed GP filter outperforms the benchmark filter for all the
tested noise levels. It also outperforms the state-of-the-art filter in terms
of QT-interval estimation error bias and variance. Conclusion: The proposed GP
filter is a versatile technique for preprocessing the ECG in clinical and
research applications, is applicable to ECG of arbitrary lengths and sampling
frequencies, and provides confidence intervals for its performance.
- Abstract（参考訳）: 目的: 心電図 (ECG) フィルタリングを含む様々な用途に効果的に使用されているガウス過程 (GP) ベースのフィルタは、計算的に要求され、そのハイパーパラメータの選択は通常アドホックである。
方法: ecgフェーズドメイン(ecg phase domain)という概念を用いて、データ駆動gpフィルタを開発し、一定数のサンプルにecgビートをタイムウォードで表現し、ガウス分布に従うと仮定したrピークをアライメントする。
この仮定の下で、サンプル平均と共分散行列の計算を単純化し、アドホックなハイパーパラメータなしでデータ駆動方式でGPフィルタの効率的な実装を可能にする。
提案フィルタはPhyloNet QTデータベース上で,最先端のウェーブレットベースフィルタと比較して評価する。
付加雑音を用いた5dBステップにおいて,5dBから30dBまでのSNRレベルにおけるフィルタの信号対雑音比(SNR)改善を測定して評価を行った。
臨床評価のために, 原信号とフィルタ信号のqt間隔の推定誤差を測定し, ベンチマークフィルタと比較した。
結果: 提案するgpフィルタは, 全雑音レベルのベンチマークフィルタよりも優れていることが示された。
また、QT間隔推定誤差バイアスと分散の観点から、最先端フィルタよりも優れている。
結論: GPフィルタは臨床および研究応用においてECGを前処理するための汎用的手法であり, 任意の長さとサンプリング周波数のECGに適用可能であり, その性能に対する信頼区間を提供する。
関連論文リスト
- Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。
本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。
提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文 参考訳（メタデータ） (2024-02-15T08:51:49Z) - Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。
DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。
提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
論文 参考訳（メタデータ） (2023-11-24T17:56:44Z) - Multiplierless In-filter Computing for tinyML Platforms [6.878219199575747]
In-filter音響分類のための新しいマルチプライヤレスフレームワークを提案する。
我々は、近似誤差を緩和するバックプロパゲーションを含む、MPベースの近似をトレーニングに用いている。
このフレームワークは、1Kスライス未満の従来の分類フレームワークよりも効率的である。
論文 参考訳（メタデータ） (2023-04-24T04:33:44Z) - Parallel APSM for Fast and Adaptive Digital SIC in Full-Duplex
Transceivers with Nonlinearity [19.534700035048637]
カーネルベースの適応フィルタは、フル(FD)モードのトランシーバにおけるデジタルデジタルドメイン自己干渉キャンセル(SIC)に適用される。
彼らは、カーネルベースのアルゴリズムがリッチで非線形な関数空間内で並列計算ベースの実装を実現しつつ、良好なレベルのデジタルSICを実現することを実証した。
論文 参考訳（メタデータ） (2022-07-12T11:17:22Z) - Neural Network-augmented Kalman Filtering for Robust Online Speech
Dereverberation in Noisy Reverberant Environments [13.49645012479288]
ノイズローバストオンラインデバーベレーションのためのニューラルネットワーク拡張アルゴリズムを提案する。
提示されたフレームワークは、単一チャネルのノイズの多い残響データセット上で堅牢なデバーベレーションを可能にする。
論文 参考訳（メタデータ） (2022-04-06T11:38:04Z) - Filter-enhanced MLP is All You Need for Sequential Recommendation [89.0974365344997]
オンラインプラットフォームでは、ログされたユーザの行動データはノイズを含まないことは避けられない。
周波数領域の雑音を減衰させる信号処理から,フィルタアルゴリズムのアイデアを借用する。
逐次レコメンデーションタスクのための学習可能なフィルタを備えたオールMLPモデルである textbfFMLP-Rec を提案する。
論文 参考訳（メタデータ） (2022-02-28T05:49:35Z) - Batch Normalization Tells You Which Filter is Important [49.903610684578716]
我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。
CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2021-12-02T12:04:59Z) - Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes [71.23286211775084]
ガウス過程回帰に基づく適応型低域通過フィルタを提案する。
本研究では,提案手法の誤差が一様境界であることを示す。
論文 参考訳（メタデータ） (2021-11-05T17:06:59Z) - Machine learning-based conditional mean filter: a generalization of the
ensemble Kalman filter for nonlinear data assimilation [42.60602838972598]
スパース観測に基づく非線形ダイナミクスを持つ高次元非ガウス状態モデルを追跡する機械学習ベースのアンサンブル条件付き平均フィルタ(ML-EnCMF)を提案する。
提案手法は条件付き期待値に基づいて開発され,機械学習(ML)技術とアンサンブル法を組み合わせて数値的に実装されている。
論文 参考訳（メタデータ） (2021-06-15T06:40:32Z) - Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。
以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。
所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文 参考訳（メタデータ） (2020-05-06T07:41:22Z) - A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。
提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
論文 参考訳（メタデータ） (2020-04-24T23:41:41Z)
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。