論文の概要: EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification
- arxiv url: http://arxiv.org/abs/2310.15466v1
- Date: Tue, 24 Oct 2023 02:37:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 20:50:33.209490
- Title: EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification
- Title(参考訳): EKGNet: パターン内不整脈分類のための10.96{\mu}W完全アナログニューラルネットワーク
- Authors: Benyamin Haghi, Lin Ma, Sahin Lale, Anima Anandkumar, Azita Emami
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 79.7946379395238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an integrated approach by combining analog computing and deep
learning for electrocardiogram (ECG) arrhythmia classification. We propose
EKGNet, a hardware-efficient and fully analog arrhythmia classification
architecture that archives high accuracy with low power consumption. The
proposed architecture leverages the energy efficiency of transistors operating
in the subthreshold region, eliminating the need for analog-to-digital
converters (ADC) and static random access memory (SRAM). The system design
includes a novel analog sequential Multiply-Accumulate (MAC) circuit that
mitigates process, supply voltage, and temperature variations. Experimental
evaluations on PhysioNet's MIT-BIH and PTB Diagnostics datasets demonstrate the
effectiveness of the proposed method, achieving average balanced accuracy of
95% and 94.25% for intra-patient arrhythmia classification and myocardial
infarction (MI) classification, respectively. This innovative approach presents
a promising avenue for developing low-power arrhythmia classification systems
with enhanced accuracy and transferability in biomedical applications.
- Abstract(参考訳): 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。
本研究では,高精度かつ低消費電力でアーカイブ可能なハードウェア効率で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。
提案アーキテクチャは、サブスレッショルド領域で動作するトランジスタのエネルギー効率を活用し、アナログ・デジタルコンバータ(ADC)と静的ランダムアクセスメモリ(SRAM)を必要としない。
システム設計は、プロセス、供給電圧、温度変化を緩和する新しいアナログ・シーケンシャル・マルチプライ・アキュムレート(MAC)回路を含む。
PhysioNet の MIT-BIH と PTB 診断データセットの実験的評価は, 平均平衡精度 95% と 94.25% を患者内不整脈分類と心筋梗塞分類でそれぞれ達成し, 提案手法の有効性を示した。
この革新的なアプローチは、バイオメディカル応用における精度と伝達性を高めた低出力不整脈分類システムを開発するための有望な道を示す。
関連論文リスト
- rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。
提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
論文 参考訳(メタデータ) (2024-10-09T11:17:02Z) - ECGMamba: Towards Efficient ECG Classification with BiSSM [3.0120310355085467]
本稿では,双方向状態空間モデル(BiSSM)を用いて分類効率を向上させる新しいモデルECGMambaを提案する。
2つの公開ECGデータセットの実験結果は、ECGMambaが効果的に分類の有効性と効率のバランスをとることを示した。
論文 参考訳(メタデータ) (2024-06-14T14:55:53Z) - A Tiny Transformer for Low-Power Arrhythmia Classification on Microcontrollers [10.203375838335935]
心電図(ECG)信号のリアルタイム解析と不整脈などの心臓状態の検出に対する有望なアプローチは、トランスフォーマー機械学習モデルによって表現される。
我々は、MIT-BIH Arrhythmiaデータベースから最も一般的な5つの不整脈クラスを認識する際に、わずか6kパラメータしか必要とせず、98.97%の精度でECG信号を解析するための小さなトランスフォーマーモデルを提案する。
論文 参考訳(メタデータ) (2024-02-16T15:14:16Z) - Analog In-Memory Computing with Uncertainty Quantification for Efficient Edge-based Medical Imaging Segmentation [1.5416095780642969]
本稿では,医療AI分析の実現におけるアナログインメモリコンピューティングのパラダイムの役割について考察する。
これはAIMCの効率性と、従来のデジタルコンピューティングのパワー、スピード、スケーラビリティの制限とは対照的である。
論文 参考訳(メタデータ) (2024-02-01T17:25:14Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - Effective classification of ecg signals using enhanced convolutional
neural network in iot [0.0]
本稿では、動的ソースルーティング(DSR)とエネルギーリンク品質(REL)に基づくIoTヘルスケアプラットフォームのためのルーティングシステムを提案する。
Deep-ECGは、重要な特徴を抽出するためにディープCNNを使用し、単純かつ高速な距離関数を用いて比較する。
その結果,提案手法は分類精度において他よりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-02-08T13:37:23Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳(メタデータ) (2021-01-24T19:03:10Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
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。