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
- A Noisy Beat is Worth 16 Words: a Tiny Transformer for Low-Power
Arrhythmia Classification on Microcontrollers [10.9466504864583]
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) - Local-Global Temporal Fusion Network with an Attention Mechanism for
Multiple and Multiclass Arrhythmia Classification [26.31920663404757]
本研究では, (i) 局所時間情報抽出, (ii) グローバルパターン抽出, (iii) 局所グローバル情報融合からなるフレームワークを提案する。
提案手法は,情報損失を発生させることなく,ローカル・グローバル情報やダイナミクスをキャプチャできる。
論文 参考訳(メタデータ) (2023-08-03T02:07:32Z) - HARDC : A novel ECG-based heartbeat classification method to detect
arrhythmia using hierarchical attention based dual structured RNN with
dilated CNN [3.8791511769387625]
不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。
提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。
以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
論文 参考訳(メタデータ) (2023-03-06T13:26:29Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - 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) - Fully Automatic Electrocardiogram Classification System based on
Generative Adversarial Network with Auxiliary Classifier [10.44188030325747]
高い性能を有する完全自動心電図不整脈分類システム(ECG)を用いたGAN(Generative Adversarial Network)を提案する。
完全自動システムでは,MITBIH不整脈データベースにおいて,上室異所性ビート(SVEBビート)と心室異所性ビート(VEBVビート)の両者の総合的分類性能が良好であった。
論文 参考訳(メタデータ) (2020-04-10T03:33:10Z)
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。