論文の概要: Atrial Fibrillation Detection Using RR-Intervals for Application in
Photoplethysmographs
- arxiv url: http://arxiv.org/abs/2302.07648v1
- Date: Mon, 13 Feb 2023 20:28:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-16 15:07:58.947829
- Title: Atrial Fibrillation Detection Using RR-Intervals for Application in
Photoplethysmographs
- Title（参考訳）: rr-intervalsを用いた心房細動の光電図への応用
- Authors: Georgia Smith and Yishi Wang
- Abstract要約: 我々は心電図内の心房細動データを解析し,心房細動のリアルタイム分類モデルを開発する。
我々は,抽出した3つの特徴を予測変数とする複数のSVMモデルを開発した。
本手法は, 心電図を用いた心房細動検出のための信頼性の高いリアルタイムモデルの開発に有用である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atrial Fibrillation is a common form of irregular heart rhythm that can be
very dangerous. Our primary goal is to analyze Atrial Fibrillation data within
ECGs to develop a model based only on RR-Intervals, or the length between
heart-beats, to create a real time classification model for Atrial Fibrillation
to be implemented in common heart-rate monitors on the market today.
Physionet's MIT-BIH Atrial Fibrillation Database
\cite{goldberger2000physiobank} and 2017 Challenge Database
\cite{clifford2017af} were used to identify patterns of Atrial Fibrillation and
test classification models on. These two datasets are very different. The
MIT-BIH database contains long samples taken with a medical grade device, which
is not useful for simulating a consumer device, but is useful for Atrial
Fibrillation pattern detection. The 2017 Challenge database includes short
($<60sec$) samples taken with a portable device and reveals many of the
challenges of Atrial Fibrillation classification in a real-time device. We
developed multiple SVM models with three sets of extracted features as
predictor variables which gave us moderately high accuracies with low
computational intensity. With robust filtering techniques already applied in
many Photoplethysmograph-based consumer heart-rate monitors, this method can be
used to develop a reliable real time model for Atrial Fibrillation detection in
consumer-grade heart-rate monitors.
- Abstract（参考訳）: 心房細動は不整脈の一般的な形態であり、非常に危険である。
心電図中の心房細動データを分析し、rr-intervalsまたは心拍数の長さのみに基づいたモデルを開発し、心房細動のリアルタイム分類モデルを構築し、現在市場に出回っている一般的な心拍数モニターに実装する。
PhysionetのMIT-BIH Atrial Fibrillation Database \cite{goldberger2000physiobank} と 2017 Challenge Database \cite{clifford2017af} は、心房細動のパターンとテスト分類モデルを特定するために使用された。
この2つのデータセットは全く異なる。
mit-bihデータベースは、消費者デバイスをシミュレートするのには役に立たないが、心房細動パターン検出に有用である医用グレードデバイスで採取された長いサンプルを含んでいる。
2017 Challengeデータベースには、ポータブルデバイスで採取した短い(<60sec$)サンプルが含まれており、リアルタイムデバイスにおけるAtrial Fibrillation分類の課題の多くを明らかにしている。
我々は,3つの特徴を抽出した複数のSVMモデルを予測変数として開発し,計算強度の低い適度な精度を実現した。
多くのPhotoplethysmographベースの消費者向け心拍モニターにロバストなフィルタリング技術が適用されているため、この手法は、コンシューマグレードの心拍モニターにおける心房細動検出のための信頼性の高いリアルタイムモデルの開発に使用できる。
関連論文リスト
- FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - Model-driven Heart Rate Estimation and Heart Murmur Detection based on Phonocardiogram [4.5546756241897235]
本研究は, 心電図(PCG)データセットを用いて心拍数を推定する。
マルチタスク学習フレームワークにベストパフォーマンスモデルを拡張し、心拍数推定と大腿骨骨折検出を同時に行う。
論文 参考訳（メタデータ） (2024-07-25T22:56:21Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:34:15Z) - A Novel real-time arrhythmia detection model using YOLOv8 [0.0]
本研究は,在宅における心電図(ECG)のリアルタイム不整脈検出の可能性を明らかにするものである。
我々は,MIT-BIH不整脈データセットを微調整した損失修正型YOLOv8モデルを導入し,リアルタイム連続監視を実現する。
我々の研究は、リアルタイム不整脈検出の可能性を示し、ユーザーが自宅の快適さの中でモデル出力を視覚的に解釈できるようにする。
論文 参考訳（メタデータ） (2023-05-26T08:27:09Z) - PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal
Imputation [54.839600943189915]
モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。
豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。
このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
論文 参考訳（メタデータ） (2022-12-14T21:39:15Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Electrocardiogram Classification and Visual Diagnosis of Atrial
Fibrillation with DenseECG [4.106327101916643]
心房細動(AF)は、世界中の多くの人々に影響を与える一般的な心臓不整脈です。
DenseECGは5層1D密結合畳み込みニューラルネットワークに基づくエンドツーエンドモデルである。
論文 参考訳（メタデータ） (2021-01-19T09:45:46Z) - Deep Learning-Based Arrhythmia Detection Using RR-Interval Framed
Electrocardiograms [9.884633954053344]
ディープラーニングは、生体認証セキュリティアプリケーションにおける個人認証を実現するために使用することができる。
我々は,連続したRピーク間の距離を表す時間スライスされた心電図データを用いた不整脈検出モデルを開発した。
この小型システムは、ウェアラブルデバイスやリアルタイム監視機器に実装することができる。
論文 参考訳（メタデータ） (2020-12-01T09:10:24Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z)
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。