論文の概要: Compressor-Based Classification for Atrial Fibrillation Detection
- arxiv url: http://arxiv.org/abs/2308.13328v2
- Date: Mon, 2 Oct 2023 09:56:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-03 16:53:59.514828
- 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,AF検出のためのgzipアルゴリズムを用いて,最近導入された圧縮機によるテキスト分類手法を適用した。
- 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. Therefore, automatic detection of AF
episodes on ECG is one of the essential tasks in biomedical engineering. In
this paper, we applied the recently introduced method of compressor-based text
classification with gzip algorithm for AF detection (binary classification
between heart rhythms). We investigated the normalized compression distance
applied to RR-interval and $\Delta$RR-interval sequences ($\Delta$RR-interval
is the difference between subsequent RR-intervals). Here, the configuration of
the k-nearest neighbour classifier, an optimal window length, and the choice of
data types for compression were analyzed. We achieved good classification
results while learning on the full MIT-BIH Atrial Fibrillation database, close
to the best specialized AF detection algorithms (avg. sensitivity = 97.1\%,
avg. specificity = 91.7\%, best sensitivity of 99.8\%, best specificity of
97.6\% with fivefold cross-validation). In addition, we evaluated the
classification performance under the few-shot learning setting. Our results
suggest that gzip compression-based classification, originally proposed for
texts, is suitable for biomedical data and quantized 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,ecgにおけるafエピソードの自動検出は,生体工学における重要な課題の一つである。
本稿では,近年導入された圧縮機を用いたテキスト分類法を,AF検出のためのgzipアルゴリズムを用いて適用した。
RR-interval と $\Delta$RR-interval に適用される正規化圧縮距離 ($\Delta$RR-interval is the difference between subsequent RR-intervals) について検討した。
そこで、k-nearest近傍の分類器の構成、最適なウィンドウ長、圧縮のためのデータ型の選択について分析した。
mit-bih心房細動データベース(avg:best special af detection algorithm)を用いて,良好な分類結果を得た。
感度 = 97.1\%,avg。
特異度=91.7\%、最良の感度:99.8\%、最良の特異度:97.6\%。
さらに,マイズショット学習環境下での分類性能の評価を行った。
この結果から,gzip圧縮に基づく分類は,生医学的データや量子化された連続確率列に適していると考えられた。
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。