Fugu-MT 論文翻訳(概要): Label Propagation Techniques for Artifact Detection in Imbalanced Classes using Photoplethysmogram Signals

論文の概要: Label Propagation Techniques for Artifact Detection in Imbalanced Classes using Photoplethysmogram Signals

arxiv url: http://arxiv.org/abs/2308.08480v3
Date: Thu, 23 May 2024 07:36:51 GMT
ステータス: 処理完了
システム内更新日: 2024-05-26 21:02:52.387521
Title: Label Propagation Techniques for Artifact Detection in Imbalanced Classes using Photoplethysmogram Signals
Title（参考訳）: 光胸腺X線信号を用いた不均衡クラスにおける人工物検出のためのラベル伝搬技術
Authors: Clara Macabiau, Thanh-Dung Le, Kevin Albert, Mana Shahriari, Philippe Jouvet, Rita Noumeir,
Abstract要約: 本研究では,光胸腺X線写真(PPG)信号間のラベル伝搬技術の適用について検討した。 1571例のPSG記録を含むデータセットについて検討し, サンプルの約82%がクリーンであり, 残りの18%がアーティファクトによって汚染された。その結果,LPアルゴリズムは精度91%,リコール90%,F1スコア90%を達成できた。
参考スコア（独自算出の注目度）: 0.06597195879147556
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This study aimed to investigate the application of label propagation techniques to propagate labels among photoplethysmogram (PPG) signals, particularly in imbalanced class scenarios and limited data availability scenarios, where clean PPG samples are significantly outnumbered by artifact-contaminated samples. We investigated a dataset comprising PPG recordings from 1571 patients, wherein approximately 82% of the samples were identified as clean, while the remaining 18% were contaminated by artifacts. Our research compares the performance of supervised classifiers, such as conventional classifiers and neural networks (Multi-Layer Perceptron (MLP), Transformers, Fully Convolutional Network (FCN)), with the semi-supervised Label Propagation (LP) algorithm for artifact classification in PPG signals. The results indicate that the LP algorithm achieves a precision of 91%, a recall of 90%, and an F1 score of 90% for the "artifacts" class, showcasing its effectiveness in annotating a medical dataset, even in cases where clean samples are rare. Although the K-Nearest Neighbors (KNN) supervised model demonstrated good results with a precision of 89%, a recall of 95%, and an F1 score of 92%, the semi-supervised algorithm excels in artifact detection. In the case of imbalanced and limited pediatric intensive care environment data, the semi-supervised LP algorithm is promising for artifact detection in PPG signals. The results of this study are important for improving the accuracy of PPG-based health monitoring, particularly in situations in which motion artifacts pose challenges to data interpretation
Abstract（参考訳）: 本研究では,光胸腺X線写真(PPG)信号のラベル伝搬技術の適用について検討し,特に不均衡なクラスシナリオと限られたデータ可用性シナリオにおいて,クリーンなPSGサンプルがアーティファクト汚染されたサンプルによって著しく劣っている場合について検討した。 1571例のPSG記録を含むデータセットについて検討し, サンプルの約82%が清潔であり, 残りの18%が人工物による汚染であった。本研究では,従来の分類器やニューラルネットワーク (MLP, Transformers, Fully Convolutional Network, FCN) などの教師付き分類器の性能を, PPG信号のアーティファクト分類のための半教師付きラベル伝搬アルゴリズムと比較した。その結果, クリーンサンプルが稀な場合においても, LPアルゴリズムは精度91%, リコール90%, F1スコア90%の「アーティファクト」クラスを達成し, 医用データセットのアノテートの有効性を示した。 K-Nearest Neighbors (KNN) は精度89%、リコール95%、F1スコア92%で良好な結果を示したが、半教師付きアルゴリズムはアーティファクト検出に優れていた。不均衡で限られた小児集中治療環境データの場合、半教師付きLPアルゴリズムはPGG信号のアーティファクト検出を約束する。本研究の結果はPSGによる健康モニタリングの精度向上,特に運動人工物がデータ解釈に挑戦する状況において重要である。

関連論文リスト

Focused Active Learning for Histopathological Image Classification [10.489874002201644]
アクティブラーニングは、機械学習アルゴリズムのためのラベル付きデータの効率的な取得という、デジタル病理の大きな問題を解決する可能性がある。本研究では,ベイズニューラルネットワークとアウト・オブ・ディストリビューション検出を組み合わせたFocALを提案する。我々は,前立腺癌の分類のためのMNISTと実世界のパンダデータセットの手法を検証するために,広範囲な実験を行った。
論文参考訳（メタデータ） (2024-04-06T15:31:57Z)
A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文参考訳（メタデータ） (2023-10-30T11:13:40Z)
Application of Quantum Pre-Processing Filter for Binary Image Classification with Small Samples [1.2965700352825555]
提案する量子前処理フィルタ(QPF)のバイナリ画像分類への応用について検討した。 MNIST(手書き桁)、EMNIST(手書き桁とアルファベット)、CIFAR-10(写真画像)、GTSRB(実生活交通標識画像)の4つのデータセットでQPFを評価した。
論文参考訳（メタデータ） (2023-08-28T23:08:32Z)
An interpretable machine learning system for colorectal cancer diagnosis from pathology slides [2.7968867060319735]
本研究は,約10,500個のWSIを用いて,最大規模のWSI南極サンプルデータセットを用いて行った。提案手法は, パッチベースのタイルに対して, 異形成の重症度に基づくクラスを推定する。病理学者が導入したドメイン知識を活用するために、解釈可能な混合スーパービジョンスキームで訓練されている。
論文参考訳（メタデータ） (2023-01-06T17:10:32Z)
EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
論文参考訳（メタデータ） (2022-11-07T21:35:08Z)
Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文参考訳（メタデータ） (2022-05-28T07:47:53Z)
Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文参考訳（メタデータ） (2022-04-19T09:10:06Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
Motion Artifact Reduction In Photoplethysmography For Reliable Signal Selection [5.264561559435017]
光胸腺造影法(英: Photoplethysmography, PPG)は、人体の重要な兆候を抽出する非侵襲的、経済的手法である。信号の品質を損なうような動きに敏感である。日々の生活活動(ADL)を行いながら現実的なPSG信号を収集し,実践的な信号聴取・分析手法を開発することは重要である。
論文参考訳（メタデータ） (2021-09-06T21:53:56Z)
Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文参考訳（メタデータ） (2021-06-01T01:32:03Z)
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)

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。