論文の概要: Point-of-Care Real-Time Signal Quality for Fetal Doppler Ultrasound
Using a Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2312.09433v2
- Date: Mon, 8 Jan 2024 18:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 21:59:13.819970
- Title: Point-of-Care Real-Time Signal Quality for Fetal Doppler Ultrasound
Using a Deep Learning Approach
- Title（参考訳）: 深層学習を用いた胎児ドップラー超音波のリアルタイム信号品質
- Authors: Mohsen Motie-Shirazi, Reza Sameni, Peter Rohloff, Nasim Katebi, and
Gari D. Clifford
- Abstract要約: 本研究では,大規模な1次元胎児ドップラーデータ収集を容易にする,これまで開発したシステムとの統合を目的としたディープラーニングフレームワークを提案する。
このシステムは、低リソースのコミュニティにおける従来の先住民の助産師向けに調整されており、コスト効率のよいAndroidフォンを活用して、記録された信号の品質を向上させる。
平均的なマイクロF1 = 97.4%、マクロF1 = 94.2%が達成され、F1 = 99.2%がグッドの品質データである。
- 参考スコア（独自算出の注目度）: 4.273549567053842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we present a deep learning framework designed to integrate
with our previously developed system that facilitates large-scale 1D fetal
Doppler data collection, aiming to enhance data quality. This system, tailored
for traditional Indigenous midwives in low-resource communities, leverages a
cost-effective Android phone to improve the quality of recorded signals. We
have shown that the Doppler data can be used to identify fetal growth
restriction, hypertension, and other concerning issues during pregnancy.
However, the quality of the signal is dependent on many factors, including
radio frequency interference, position of the fetus, maternal body habitus, and
usage of the Doppler by the birth attendants. In order to provide instant
feedback to allow correction of the data at source, a signal quality metric is
required that can run in real-time on the mobile phone.
In this study, 191 DUS signals with durations mainly in the range between 5
to 10 minutes were evaluated for quality and classified into five categories:
Good, Poor, (Radiofrequency) Interference, Talking, and Silent, at a resolution
of 3.75 seconds. A deep neural network was trained on each 3.75-second segment
from these recordings and validated using five-fold cross-validation.
An average micro F1 = 97.4\% and macro F1 = 94.2\% were achieved, with F1 =
99.2\% for `Good' quality data. These results indicate that the algorithm,
which will now be implemented in the midwives' app, should allow a significant
increase in the quality of data at the time of capture.
- Abstract（参考訳）: 本研究では,前回開発したシステムと統合し,データ品質の向上を目的とした大規模1d胎児ドップラーデータ収集を支援するディープラーニングフレームワークを提案する。
このシステムは、低リソースのコミュニティの伝統的な助産婦向けに作られたもので、コスト効率の良いandroid携帯を利用して、記録された信号の品質を向上させる。
妊娠中の胎児の成長制限や高血圧などの問題に対して,ドップラーデータを用いて診断できることが示されている。
しかし、シグナルの質は、無線周波数干渉、胎児の位置、母体習慣、入所者によるドップラーの使用など、多くの要因に依存している。
ソースにあるデータの修正を可能にするために、瞬時にフィードバックを提供するには、携帯電話でリアルタイムに実行できる信号品質指標が必要である。
本研究は,5～10分の範囲で継続する191DUS信号を品質評価し,3.75秒の分解能で,善,悪,(高周波)干渉,しゃべ,サイレントという5つのカテゴリに分類した。
これらの記録から3.75秒毎にディープニューラルネットワークを訓練し、5倍のクロスバリデーションを用いて検証した。
平均的なマイクロF1 = 97.4\%、マクロF1 = 94.2\%が達成され、F1 = 99.2\%が‘Good’の品質データである。
これらの結果は,現在ミッドワイブのアプリに実装されているアルゴリズムが,キャプチャ時のデータ品質を大幅に向上させることができることを示唆している。
関連論文リスト
- On Input Formats for Radar Micro-Doppler Signature Processing by Convolutional Neural Networks [1.2499537119440245]
位相情報の有用性と畳み込みニューラルネットワークに対するドップラー時間入力の最適なフォーマットを解析する。
畳み込みニューラルネットワーク分類器によって達成された性能は入力表現の種類に大きく影響されている。
論文 参考訳（メタデータ） (2024-04-12T07:30:08Z) - Respiratory motion forecasting with online learning of recurrent neural
networks for safety enhancement in externally guided radiotherapy [0.0]
リアルタイム反復学習(Real-time Recurrent Learning, RTRL)は、非定常呼吸データ内のパターンを学習できるが、複雑さが高いため、潜在的な解決法である。
本研究は,放射線治療中の呼吸運動を正確に予測する資源効率の高いオンラインRNNアルゴリズムの能力を評価する。
論文 参考訳（メタデータ） (2024-03-03T20:16:16Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳（メタデータ） (2023-05-12T17:24:02Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - Utilizing synthetic training data for the supervised classification of
rat ultrasonic vocalizations [0.0]
ミューリンは120kHzの周波数で超音波発声(USV)を発生させる。
これらの呼び出しは社会的行動において重要であるため、その分析は声道コミュニケーションの機能とその機能に関する洞察を与えることができる。
我々は、ラットのUSVを含むオーディオにおいて、訓練された人間の2つの畳み込みニューラルネットワーク(CNN)、DeepSqueak、VocalMatの検出と分類性能を比較した。
論文 参考訳（メタデータ） (2023-03-03T03:17:45Z) - Audio Deepfake Detection Based on a Combination of F0 Information and
Real Plus Imaginary Spectrogram Features [51.924340387119415]
ASVspoof 2019 LAデータセットの実験結果から,提案手法はオーディオディープフェイク検出に非常に有効であることがわかった。
提案方式は音声深度検出作業に非常に有効であり,ほぼ全てのシステムにまたがる等価誤差率(EER)が0.43%に達する。
論文 参考訳（メタデータ） (2022-08-02T02:46:16Z) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳（メタデータ） (2021-10-13T21:51:56Z) - Automatic non-invasive Cough Detection based on Accelerometer and Audio
Signals [6.004134549265193]
本稿では,加速度計と音声信号の両方に基づいて,自動的非侵襲的コークス検出手法を提案する。
加速度信号は、その統合加速度計を使用して、患者のベッドにしっかりと取り付けられたスマートフォンによって捕捉される。
結核クリニックの成人男性14名を対象に, 約6000頭, 68000頭, 約6000頭, 約68000頭について, 同時捕捉加速度と音声信号を含む手動注釈データセットを作成した。
論文 参考訳（メタデータ） (2021-08-31T22:44:56Z) - Anomalous Sound Detection Using a Binary Classification Model and Class
Centroids [47.856367556856554]
本稿では, 正規データだけでなく, 他領域の外部データも擬似アノマラス音響データとして用いた二分分類モデルを提案する。
また,2値分類モデルをさらに改善するために,異常音データの追加の有効性についても検討した。
論文 参考訳（メタデータ） (2021-06-11T03:35:06Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - DeepBeat: A multi-task deep learning approach to assess signal quality
and arrhythmia detection in wearable devices [0.0]
我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。
我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。
2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
論文 参考訳（メタデータ） (2020-01-01T07:41:28Z)
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。