Fugu-MT 論文翻訳(概要): Heart Murmur and Abnormal PCG Detection via Wavelet Scattering Transform & a 1D-CNN

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

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
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)
Searching for Effective Neural Network Architectures for Heart Murmur Detection from Phonocardiogram [5.183688633606942]
George B. Moody PhysioNet Challenge 2022は、超音波心電図(PCGs)による心室検出と心機能異常の同定の問題を提起した。この研究は、我々のチームであるRevengerがこれらの問題を解決するために開発した新しいアプローチについて述べます。
論文参考訳（メタデータ） (2023-03-06T09:31:42Z)
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)
Robust Peak Detection for Holter ECGs by Self-Organized Operational Neural Networks [12.773050144952593]
ディープ畳み込みニューラルネットワーク(CNN)はホルターモニタで最先端のパフォーマンスレベルを達成した。本研究では,生成ニューロンを有する1次元自己組織型ONN(Self-ONNs)を提案する。その結果、CPSCデータセットでは99.10%のF1スコア、99.79%の感度、98.42%の正の予測性が得られることがわかった。
論文参考訳（メタデータ） (2021-09-30T19:45:06Z)
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)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Spherical coordinates transformation pre-processing in Deep Convolution Neural Networks for brain tumor segmentation in MRI [0.0]
深層畳み込みニューラルネットワーク(DCNN)は、最近非常に有望な結果を示している。 DCNNモデルは、優れたパフォーマンスを達成するために、大きな注釈付きデータセットが必要です。本研究では,DCNNモデルの精度を向上させるために3次元球面座標変換を仮定した。
論文参考訳（メタデータ） (2020-08-17T05:11:05Z)
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)
DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文参考訳（メタデータ） (2020-05-18T13:13:41Z)
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)

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。