論文の概要: Reconstruction of 3-Axis Seismocardiogram from Right-to-left and
Head-to-foot Components Using A Long Short-Term Memory Network
- arxiv url: http://arxiv.org/abs/2307.07566v1
- Date: Fri, 14 Jul 2023 18:13:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 19:19:24.244328
- Title: Reconstruction of 3-Axis Seismocardiogram from Right-to-left and
Head-to-foot Components Using A Long Short-Term Memory Network
- Title（参考訳）: 長期記憶ネットワークを用いた左右足部3軸心エコー図の再構成
- Authors: Mohammad Muntasir Rahman and Amirtah\`a Taebi
- Abstract要約: 本研究の目的は,左右方向のSCG信号から心電図(SCG)信号を予測する深層学習モデルを開発することである。
その結果、LSTMモデルの平均2乗誤差は、背腹側方向のSCGセグメントと実際のSCGセグメントの間に0.09の誤差があることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This pilot study aims to develop a deep learning model for predicting
seismocardiogram (SCG) signals in the dorsoventral direction from the SCG
signals in the right-to-left and head-to-foot directions ($\textrm{SCG}_x$ and
$\textrm{SCG}_y$). The dataset used for the training and validation of the
model was obtained from 15 healthy adult subjects. The SCG signals were
recorded using tri-axial accelerometers placed on the chest of each subject.
The signals were then segmented using electrocardiogram R waves, and the
segments were downsampled, normalized, and centered around zero. The resulting
dataset was used to train and validate a long short-term memory (LSTM) network
with two layers and a dropout layer to prevent overfitting. The network took as
input 100-time steps of $\textrm{SCG}_x$ and $\textrm{SCG}_y$, representing one
cardiac cycle, and outputted a vector that mapped to the target variable being
predicted. The results showed that the LSTM model had a mean square error of
0.09 between the predicted and actual SCG segments in the dorsoventral
direction. The study demonstrates the potential of deep learning models for
reconstructing 3-axis SCG signals using the data obtained from dual-axis
accelerometers.
- Abstract（参考訳）: 本研究の目的は,左右方向および左右方向のscg信号(\textrm{scg}_x$および$\textrm{scg}_y$)から背側方向のseismocardiogram(scg)信号を予測するディープラーニングモデルの開発である。
モデルのトレーニングと検証に使用されたデータセットは,健常成人15名から得られた。
SCG信号は各被験者の胸部に置かれた3軸加速度計を用いて記録した。
その後、信号は心電図R波を用いてセグメント化され、そのセグメントはダウンサンプリングされ、正規化され、0を中心に配置された。
結果として得られたデータセットは、2層とドロップアウト層を備えた長期短期メモリ(LSTM)ネットワークのトレーニングと検証に使用された。
このネットワークは、1つの心周期を表す$\textrm{scg}_x$と$\textrm{scg}_y$の100回のステップを入力として、予測される対象変数にマッピングされたベクトルを出力する。
その結果, lstmモデルの平均二乗誤差は, ドーソヴェンタル方向のscgセグメントと実際のscgセグメントの間で0.09であった。
本研究では,2軸加速度計のデータを用いて3軸SCG信号を再構成する深層学習モデルの可能性を示す。
関連論文リスト
- FORS-EMG: A Novel sEMG Dataset for Hand Gesture Recognition Across Multiple Forearm Orientations [1.3852370777848657]
表面筋電図(sEMG)信号はジェスチャー認識と頑健な義手発達に重要な可能性を秘めている。
本研究は、3つの異なる方向をまたいだ手の動きを評価するための新しいMFI sEMGデータセットを提案する。
論文 参考訳（メタデータ） (2024-09-03T14:23:06Z) - ECGrecover: a Deep Learning Approach for Electrocardiogram Signal Completion [1.727597257312416]
完全12誘導ECG信号を不完全部分から再構成するという課題に対処する。
再建問題に対処するために,新しい目的関数を訓練したU-Netアーキテクチャを用いたモデルを提案する。
論文 参考訳（メタデータ） (2024-05-31T15:17:12Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - A Deep Learning Network for the Classification of Intracardiac
Electrograms in Atrial Tachycardia [4.62891362095648]
心房頻拍に対するカテーテルアブレーション治療の成功を可能にする重要な技術は,アクティベーションマッピングである。
これは、分数化信号の信号活性化ピークを特定するのが困難であるため、時間を要する、エラーを起こしやすい手順である。
本研究では,EMG信号の自動分類を3つのタイプに分類するディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-06-02T09:56:27Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - 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) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - SE-ECGNet: A Multi-scale Deep Residual Network with
Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。
我々は,マルチリード信号を2次元行列として扱うことを提案する。
提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
論文 参考訳（メタデータ） (2020-12-10T08:37:44Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。