論文の概要: A Method for Detecting Murmurous Heart Sounds based on Self-similar Properties

• arxiv url: http://arxiv.org/abs/2306.05283v1
• Date: Sun, 28 May 2023 22:21:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-11 13:16:49.020657
• Title: A Method for Detecting Murmurous Heart Sounds based on Self-similar Properties
• Title（参考訳）: 自己相似性に基づく無室性心音の検出法
• Authors: Dixon Vimalajeewa, Chihoon Lee, Brani Vidakovic
• Abstract要約: 心室とは、心臓を流れる血液の流れによって生じる非定型的な音である。 現在の心臓音の同定法は、心音信号の本質的な特性を探求することによって得られる知見を十分に活用していない。 本研究は,心臓音の自己相似性と複雑性特性に基づく,新しい識別的特徴セットを提案する。
• 参考スコア（独自算出の注目度）: 0.03222802562733786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A heart murmur is an atypical sound produced by the flow of blood through the heart. It can be a sign of a serious heart condition, so detecting heart murmurs is critical for identifying and managing cardiovascular diseases. However, current methods for identifying murmurous heart sounds do not fully utilize the valuable insights that can be gained by exploring intrinsic properties of heart sound signals. To address this issue, this study proposes a new discriminatory set of multiscale features based on the self-similarity and complexity properties of heart sounds, as derived in the wavelet domain. Self-similarity is characterized by assessing fractal behaviors, while complexity is explored by calculating wavelet entropy. We evaluated the diagnostic performance of these proposed features for detecting murmurs using a set of standard classifiers. When applied to a publicly available heart sound dataset, our proposed wavelet-based multiscale features achieved comparable performance to existing methods with fewer features. This suggests that self-similarity and complexity properties in heart sounds could be potential biomarkers for improving the accuracy of murmur detection.
• Abstract（参考訳）: 心室とは、心臓の血流によって生じる非定型的な音である。 重症心疾患の徴候となるため、心室の検出は心血管疾患の特定と管理に重要である。 しかし、現在の無室性心音の同定法は、心音信号の固有特性を探究することで得られる貴重な知見を十分に活用していない。 そこで本研究では,ウェーブレット領域から導かれる心臓音の自己相似性と複雑性特性に基づく,新たな識別的特徴セットを提案する。 自己相似性はフラクタル挙動の評価によって特徴づけられる一方、複雑性はウェーブレットエントロピーの計算によって調べられる。 標準分類器のセットを用いて, 大腿骨の検出におけるこれらの特徴の診断性能を評価した。 一般に公開されている心拍データに適用した場合,提案するウェーブレットベースのマルチスケール機能は,より少ない特徴を持つ既存手法に匹敵する性能を示した。 これは、心臓音における自己相似性と複雑性特性が、大腿骨検出の精度を向上させる潜在的なバイオマーカーであることを示唆している。

関連論文リスト

• Deciphering Heartbeat Signatures: A Vision Transformer Approach to Explainable Atrial Fibrillation Detection from ECG Signals [4.056982620027252]
  単誘導心電図データに基づいて心房細動を識別するための視覚変換器アプローチを開発した。 また、残差ネットワーク(ResNet)アプローチも、視覚変換器アプローチと比較するために開発されている。
  論文  参考訳（メタデータ） (2024-02-12T11:04:08Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Machine Learning-based Efficient Ventricular Tachycardia Detection Model of ECG Signal [0.0]
  心不全の一次診断と解析において、心電図信号は重要な役割を果たす。 本稿では,ノイズフィルタを用いた心室頻拍不整脈の予測モデル,心電図の特徴セット,機械学習に基づく分類モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-24T05:56:09Z)
• Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
  本研究では,新しいセグメンテーションフリー心音分類法を提案する。 具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。 サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
  論文  参考訳（メタデータ） (2021-08-09T16:09:30Z)
• A Visual Domain Transfer Learning Approach for Heartbeat Sound Classification [0.0]
  心臓病は人間の死亡の最も一般的な理由であり、世界中で約3分の1が死亡している。 疾患の早期発見は患者の生存率を高め、心臓病の徴候を早期に検出する方法がいくつかある。 本研究は、クリーン化および正規化された心音を視覚メルスケールスペクトログラムに変換し、視覚領域変換学習手法を用いて、心音の特徴を自動的に抽出し分類することを提案する。
  論文  参考訳（メタデータ） (2021-07-28T09:41:38Z)
• 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)
• Respiratory Sound Classification Using Long-Short Term Memory [62.997667081978825]
  本稿では,呼吸器疾患の分類に関連して,音の分類を行おうとする際の問題点について検討する。 このようなタスクをどのように実装できるかを特定するために、ディープラーニングと長期短期記憶ネットワークの使用の検討を行う。
  論文  参考訳（メタデータ） (2020-08-06T23:11:57Z)
• A Robust Interpretable Deep Learning Classifier for Heart Anomaly Detection Without Segmentation [37.70077538403524]
  心音分類の先行段階として, 心音分節の重要性を論じる。 次に,心臓の異常音検出のための頑健な分類器を提案する。 我々の新しい分類器はまた、広く使われているPhyloNetデータセットでほぼ100%の精度で、堅牢で安定しており、最も重要な説明が可能であることも示されています。
  論文  参考訳（メタデータ） (2020-05-21T06:36:28Z)
• Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
  心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。 我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。 提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-04-02T02:09:11Z)

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。