論文の概要: Compressor-Based Classification for Atrial Fibrillation Detection

• arxiv url: http://arxiv.org/abs/2308.13328v1
• Date: Fri, 25 Aug 2023 12:02:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 14:11:20.755997
• Title: Compressor-Based Classification for Atrial Fibrillation Detection
• Title（参考訳）: 心房細動検出のための圧縮機に基づく分類
• Authors: Nikita Markov, Konstantin Ushenin, Yakov Bozhko, Olga Solovyova
• Abstract要約: 心房細動(英: atrial fibrillation、AF)は、公衆衛生に問題のある最も一般的な不整脈の1つである。 本稿では,最近導入された圧縮機を用いたテキスト分類手法をAF検出タスクに適用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atrial fibrillation (AF) is one of the most common arrhythmias with challenging public health implications. Automatic detection of AF episodes is therefore one of the most important tasks in biomedical engineering. In this paper, we apply the recently introduced method of compressor-based text classification to the task of AF detection (binary classification between heart rhythms). We investigate the normalised compression distance applied to $\Delta$RR and RR-interval sequences, the configuration of the k-Nearest Neighbour classifier, and an optimal window length. We achieve good classification results (avg. sensitivity = 97.1%, avg. specificity = 91.7%, best sensitivity of 99.8%, best specificity of 97.6% with 5-fold cross-validation). Obtained performance is close to the best specialised AF detection algorithms. Our results suggest that gzip classification, originally proposed for texts, is suitable for biomedical data and continuous stochastic sequences in general.
• Abstract（参考訳）: 心房細動(英: atrial fibrillation、AF)は、公衆衛生に問題のある最も一般的な不整脈の1つである。 したがって、AFエピソードの自動検出は、バイオメディカルエンジニアリングにおいて最も重要なタスクの1つである。 本稿では,最近導入された圧縮機に基づくテキスト分類法をaf検出タスク(心リズムの2値分類)に適用する。 我々は,$\Delta$RR および RR-interval シーケンスに適用される正規化圧縮距離,k-Nearest Neighbour 分類器の構成,および最適なウィンドウ長について検討する。 精度は97.1%、特異度は91.7%、感度は99.8%、特異度は97.6%、クロスバリデーションは5倍)。 得られた性能は、最高の特殊化af検出アルゴリズムに近い。 以上の結果から,gzip分類は生医学的データや連続確率的シーケンスに適していることが示唆された。

関連論文リスト

• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Target before Shooting: Accurate Anomaly Detection and Localization under One Millisecond via Cascade Patch Retrieval [49.45246833329707]
  異常検出(AD)の「マッチング」性を再検討する 本稿では,ADの精度と実行速度を同時に向上する新しいADフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-13T11:49:05Z)
• Two-stream Network for ECG Signal Classification [3.222802562733787]
  本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。 本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。 MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
  論文  参考訳（メタデータ） (2022-10-05T08:14:51Z)
• Efficient Approximate Kernel Based Spike Sequence Classification [56.2938724367661]
  SVMのような機械学習モデルは、シーケンスのペア間の距離/相似性の定義を必要とする。 厳密な手法により分類性能は向上するが、計算コストが高い。 本稿では,その予測性能を向上させるために,近似カーネルの性能を改善する一連の方法を提案する。
  論文  参考訳（メタデータ） (2022-09-11T22:44:19Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
  コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。 我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。 提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
  論文  参考訳（メタデータ） (2022-04-07T22:49:18Z)
• 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)
• Snippet Policy Network for Multi-class Varied-length ECG Early Classification [8.36820636096359]
  心疾患の予防と診断には心電図による不整脈検出が重要である。 そこで我々は,Snippet Policy Network (SPN) と呼ばれる深層強化学習に基づくフレームワークを提案し,Snippet Policy Network (SPN) の4つのモジュール,スニペットジェネレータ,バックボーンネットワーク,制御エージェント,識別器からなる。 実験の結果,SPNは精度の点で80%以上の優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-28T13:47:31Z)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)
• A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
  本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。 提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
  論文  参考訳（メタデータ） (2020-04-24T23:41:41Z)

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。