論文の概要: Efficient and Direct Inference of Heart Rate Variability using Both
Signal Processing and Machine Learning
- arxiv url: http://arxiv.org/abs/2303.13637v1
- Date: Thu, 23 Mar 2023 19:47:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 16:39:41.864421
- Title: Efficient and Direct Inference of Heart Rate Variability using Both
Signal Processing and Machine Learning
- Title(参考訳): 信号処理と機械学習の両方を用いた心拍変動の効率的・直接推定
- Authors: Yuntong Zhang, Jingye Xu, Mimi Xie, Dakai Zhu, Houbing Song, Wei Wang
- Abstract要約: 心拍変動(Heart Rate Variability、HRV)は、連続する心拍間の時間の変化を測定し、身体的および精神的な健康の指標である。
近年の研究では、光胸腺画像センサを用いてHRVを推定できることが示されている。
しかし、多くの先行研究では、信号処理や機械学習(ML)しか使わなかったため、高い誤差があった。
- 参考スコア(独自算出の注目度): 15.877746886929831
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart Rate Variability (HRV) measures the variation of the time between
consecutive heartbeats and is a major indicator of physical and mental health.
Recent research has demonstrated that photoplethysmography (PPG) sensors can be
used to infer HRV. However, many prior studies had high errors because they
only employed signal processing or machine learning (ML), or because they
indirectly inferred HRV, or because there lacks large training datasets. Many
prior studies may also require large ML models. The low accuracy and large
model sizes limit their applications to small embedded devices and potential
future use in healthcare. To address the above issues, we first collected a
large dataset of PPG signals and HRV ground truth. With this dataset, we
developed HRV models that combine signal processing and ML to directly infer
HRV. Evaluation results show that our method had errors between 3.5% to 25.7%
and outperformed signal-processing-only and ML-only methods. We also explored
different ML models, which showed that Decision Trees and Multi-level
Perceptrons have 13.0% and 9.1% errors on average with models at most hundreds
of KB and inference time less than 1ms. Hence, they are more suitable for small
embedded devices and potentially enable the future use of PPG-based HRV
monitoring in healthcare.
- Abstract(参考訳): 心拍変動(Heart Rate Variability、HRV)は、連続する心拍間の時間の変化を測定し、身体的および精神的な健康の指標である。
最近の研究では、ppg(photoplethysmography)センサーを使ってhrvを推定できることが示されている。
しかしながら、多くの先行研究は、信号処理や機械学習(ml)のみを採用したり、間接的にhrvを推論したり、大規模なトレーニングデータセットが不足しているため、エラーが多かった。
多くの先行研究は大きなMLモデルも必要である。
低い精度と大きなモデルサイズは、アプリケーションを小さな組み込みデバイスに制限し、将来医療で使われる可能性がある。
上記の問題に対処するため,まずPSG信号とHRV地上真実の大規模なデータセットを収集した。
このデータセットを用いて,HRVを直接推論する信号処理とMLを組み合わせたHRVモデルを開発した。
評価の結果,本手法は3.5%から25.7%の誤差があり,信号処理のみおよびmlのみの手法よりも優れていた。
決定木とマルチレベルパーセプトロンは平均で13.0%と9.1%の誤差があり、100KB以上のモデルと1ms未満の推論時間を持つことを示した。
したがって、小型の組み込みデバイスにより適しており、医療におけるppgベースのhrvモニタリングの将来の使用を可能にする可能性がある。
関連論文リスト
- A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular
Diseases Detection [0.0]
世界的には、心臓血管疾患(CVD)が主な死因であり、毎年1790万人が死亡している。
重要な臨床目的の1つは、心電図(ECG)データによるCVDの早期検出である。
機械学習とディープラーニングに基づく最近の進歩は、この分野において大きな進歩を遂げている。
論文 参考訳(メタデータ) (2023-11-20T10:57:11Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - PPG-based Heart Rate Estimation with Efficient Sensor Sampling and
Learning Models [6.157700936357335]
ウェアラブルデバイスに埋め込まれた光胸部センサーは、心拍数(HR)を高精度に推定することができる。
しかしながら, PPGセンサを用いたHR推定を組込みデバイスに適用することは, エネルギー集中型高周波PSGサンプリングによる課題に直面している。
本研究では,低消費電力・資源制約の組込みデバイスに適したHR推定手法を提案する。
論文 参考訳(メタデータ) (2023-03-23T19:47:36Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - RRWaveNet: A Compact End-to-End Multi-Scale Residual CNN for Robust PPG
Respiratory Rate Estimation [0.6464087844700315]
RRの変化は、心臓病、肺疾患、睡眠障害などの深刻な医療イベントを反映できるため、呼吸速度(RR)は重要なバイオマーカーである。
標準RRカウントはヒューマンエラーを起こしやすいため、連続的に実行することはできない。
本研究では,RRWaveNetを連続的に推定する手法を提案する。
論文 参考訳(メタデータ) (2022-08-18T07:11:34Z) - Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss
Function [3.2653790770825686]
ドーズボリュームヒストグラム(DVH)は,臨床で広く受け入れられている評価基準である。
本稿では3次元線量分布予測のための新しいモーメントベース損失関数を提案する。
論文 参考訳(メタデータ) (2022-07-07T16:35:06Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - A Machine Learning model of the combination of normalized SD1 and SD2
indexes from 24h-Heart Rate Variability as a predictor of myocardial
infarction [0.0]
最も一般的なMLアルゴリズムを10倍のクロスバリデーションの設定と比較した。
本研究の主な知見は, SD1nu + SD2nuの組み合わせは, 他のHRV指標と比較してMIの予測能力が高いことである。
論文 参考訳(メタデータ) (2021-02-18T14:57:49Z) - 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。