論文の概要: Heart Murmur and Abnormal PCG Detection via Wavelet Scattering Transform
& a 1D-CNN
- arxiv url: http://arxiv.org/abs/2303.11423v1
- Date: Sun, 12 Mar 2023 13:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 03:27:19.788563
- Title: Heart Murmur and Abnormal PCG Detection via Wavelet Scattering Transform
& a 1D-CNN
- Title(参考訳): Wavelet Scattering Transformと1D-CNNによる心室および異常PCGの検出
- Authors: Ahmed Patwa, Muhammad Mahboob Ur Rahman, Tareq Y. Al-Naffouri
- Abstract要約: この研究は、深層学習(DL)技術を活用して、心電図(PCG)記録から自動的かつ正確な心筋腫瘍検出を行う。
2つのパブリックPCGデータセットを使用して、3つのカスタムニューラルネットワーク(NN)をトレーニングおよびテストする
当社のカスタム1D-CNNは、他の2つのNN(LSTM-RNNとC-RNN)と最先端のNNよりも優れています。
- 参考スコア(独自算出の注目度): 21.594925705358197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work leverages deep learning (DL) techniques in order to do automatic
and accurate heart murmur detection from phonocardiogram (PCG) recordings. Two
public PCG datasets (CirCor Digiscope 2022 dataset and PCG 2016 dataset) from
Physionet online database are utilized to train and test three custom neural
networks (NN): a 1D convolutional neural network (CNN), a long short-term
memory (LSTM) recurrent neural network (RNN), and a convolutional RNN (C-RNN).
Under our proposed method, we first do pre-processing on both datasets in order
to prepare the data for the NNs. Key pre-processing steps include the
following: denoising, segmentation, re-labeling of noise-only segments, data
normalization, and time-frequency analysis of the PCG segments using wavelet
scattering transform. To evaluate the performance of the three NNs we have
implemented, we conduct four experiments, first three using PCG 2022 dataset,
and fourth using PCG 2016 dataset. It turns out that our custom 1D-CNN
outperforms other two NNs (LSTM- RNN and C-RNN) as well as the
state-of-the-art. Specifically, for experiment E1 (murmur detection using
original PCG 2022 dataset), our 1D-CNN model achieves an accuracy of 82.28%,
weighted accuracy of 83.81%, F1-score of 65.79%, and and area under receive
operating charactertic (AUROC) curve of 90.79%. For experiment E2 (mumur
detection using PCG 2022 dataset with unknown class removed), our 1D-CNN model
achieves an accuracy of 87.05%, F1-score of 87.72%, and AUROC of 94.4%. For
experiment E3 (murmur detection using PCG 2022 dataset with re-labeling of
segments), our 1D-CNN model achieves an accuracy of 82.86%, weighted accuracy
of 86.30%, F1-score of 81.87%, and AUROC of 93.45%. For experiment E4 (abnormal
PCG detection using PCG 2016 dataset), our 1D-CNN model achieves an accuracy of
96.30%, F1-score of 96.29% and AUROC of 98.17%.
- Abstract(参考訳): この研究は、深層学習(DL)技術を活用して、心電図(PCG)記録から自動的かつ正確な心筋腫瘍検出を行う。
1d畳み込みニューラルネットワーク(cnn)、long short-term memory(lstm)、recurrent neural network(rnn)、convolutional rnn(c-rnn)の3つのカスタムニューラルネットワークをトレーニングし、テストするために、physionet online databaseの2つのパブリックpcgデータセット(circor digiscope 2022データセットとpcg 2016データセット)を利用する。
提案手法では,まず2つのデータセットの事前処理を行い,NNのデータの準備を行う。
主な前処理ステップは、雑音のみのセグメントの再ラベル化、データ正規化、ウェーブレット散乱変換を用いたPCGセグメントの時間周波数解析である。
実装した3つのNNの性能を評価するために,PCG 2022データセットを用いた4つの実験,PCG 2016データセットを用いた4つの実験を行った。
われわれのカスタム1D-CNNは、他の2つのNN(LSTM-RNNとC-RNN)と最先端のNNを上回っている。
具体的には,実験E1(PCG 2022データセットを用いたミュール検出)では,82.28%の精度,83.81%の重み付き精度,65.79%のF1スコア,90.79%の動作特性曲線が得られた。
実験E2(PCG 2022データセットで未知のクラスを除去したマウス検出)では,1D-CNNモデルは87.05%,F1スコア87.72%,AUROC94.4%の精度を達成した。
実験用E3(PCG 2022データセットとセグメントの再ラベルを用いたMurmur detection)では,82.86%の精度,86.30%の重み付き精度,81.87%のF1スコア,93.45%のAUROCが得られた。
E4(PCG 2016データセットを用いた異常PCG検出)の実験では、1D-CNNモデルは96.30%、F1スコア96.29%、AUROC98.17%の精度を達成した。
関連論文リスト
- Few-shot Learning using Data Augmentation and Time-Frequency
Transformation for Time Series Classification [6.830148185797109]
データ拡張による新しい数ショット学習フレームワークを提案する。
シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。
本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
論文 参考訳(メタデータ) (2023-11-06T15:32:50Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳(メタデータ) (2023-03-24T11:12:37Z) - Automated Atrial Fibrillation Classification Based on Denoising Stacked
Autoencoder and Optimized Deep Network [1.7403133838762446]
心房細動(AFib)の発症率は世界中で増加傾向にある。
AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。
Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
論文 参考訳(メタデータ) (2022-01-26T21:45:48Z) - Shift-Robust GNNs: Overcoming the Limitations of Localized Graph
Training data [52.771780951404565]
Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。
SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
論文 参考訳(メタデータ) (2021-08-02T18:00:38Z) - COVID-19 detection using chest X-rays: is lung segmentation important
for generalization? [3.198144010381572]
深部ニューラルネットワーク(DNN)は、比較的小さく混合されたデータセットを使用して、胸部X線をCOVID-19、正常または肺炎として分類するために訓練された。
外部データセットとLRP分析のパフォーマンスは、DNNを小さな混合データセットでトレーニングし、COVID-19を検出することを示唆している。
論文 参考訳(メタデータ) (2021-04-12T09:06:28Z) - Deep Learning Based Classification of Unsegmented Phonocardiogram
Spectrograms Leveraging Transfer Learning [0.0]
心臓腫瘍は、聴診プロセス中に検出される最も一般的な異常です。
PCGデータセットは、PhystoNet/CinCとPASCAL(2011)の2種類があります。
本研究では,PhystoNetとPASCALデータセットの分類のための,新規で,より複雑で,比較的軽量なカスタムCNNモデルを提案する。
論文 参考訳(メタデータ) (2020-12-15T16:32:29Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳(メタデータ) (2020-09-09T03:28:57Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳(メタデータ) (2020-02-26T06:10:12Z) - Detection of Obstructive Sleep Apnoea Using Features Extracted from
Segmented Time-Series ECG Signals Using a One Dimensional Convolutional
Neural Network [0.19686770963118383]
本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。
このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。
これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
論文 参考訳(メタデータ) (2020-02-03T15:47:00Z)
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。