論文の概要: A Non-Intrusive Neural Quality Assessment Model for Surface Electromyography Signals

• arxiv url: http://arxiv.org/abs/2402.05482v3
• Date: Thu, 13 Jun 2024 08:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-14 23:45:25.576463
• Title: A Non-Intrusive Neural Quality Assessment Model for Surface Electromyography Signals
• Title（参考訳）: 表面筋電図信号の非侵入的ニューラルネットワーク品質評価モデル
• Authors: Cho-Yuan Lee, Kuan-Chen Wang, Kai-Chun Liu, Yu-Te Wang, Xugang Lu, Ping-Cheng Yeh, Yu Tsao,
• Abstract要約: 本研究では,SEMG信号のSNRを予測する新しい非侵入モデルQASE-netを提案する。 実験フレームワークは,2つのオープンアクセスデータベースから実世界のsEMGとECGデータを利用する。
• 参考スコア（独自算出の注目度）: 19.894088480632217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practical scenarios involving the measurement of surface electromyography (sEMG) in muscles, particularly those areas near the heart, one of the primary sources of contamination is the presence of electrocardiogram (ECG) signals. To assess the quality of real-world sEMG data more effectively, this study proposes QASE-net, a new non-intrusive model that predicts the SNR of sEMG signals. QASE-net combines CNN-BLSTM with attention mechanisms and follows an end-to-end training strategy. Our experimental framework utilizes real-world sEMG and ECG data from two open-access databases, the Non-Invasive Adaptive Prosthetics Database and the MIT-BIH Normal Sinus Rhythm Database, respectively. The experimental results demonstrate the superiority of QASE-net over the previous assessment model, exhibiting significantly reduced prediction errors and notably higher linear correlations with the ground truth. These findings show the potential of QASE-net to substantially enhance the reliability and precision of sEMG quality assessment in practical applications.
• Abstract（参考訳）: 筋、特に心臓近くの領域における表面筋電図(sEMG)の測定を含む現実的なシナリオにおいて、汚染の主な原因の1つは心電図(ECG)信号の存在である。 本研究では,実世界のSEMGデータの品質をより効果的に評価するために,SEMG信号のSNRを予測する新しい非侵入モデルQASE-netを提案する。 QASE-netはCNN-BLSTMとアテンションメカニズムを組み合わせて、エンドツーエンドのトレーニング戦略に従う。 実験フレームワークは,2つのオープンアクセスデータベースであるNon-Invasive Adaptive Prosthetics DatabaseとMIT-BIH Normal Sinus Rhythm Databaseから,実世界のsEMGとECGデータを利用する。 実験の結果, 従来の評価モデルよりもQASE-netの方が優れており, 予測誤差が著しく減少し, 地中真実との線形相関が顕著であった。 これらの結果から,QASE-netがSEMG品質評価の信頼性と精度を大幅に向上させる可能性が示唆された。

関連論文リスト

• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• Graph-Based Spatio-temporal Attention and Multi-Scale Fusion for Clinically Interpretable, High-Fidelity Fetal ECG Extraction [3.5236401979395833]
  先天性心疾患 (CHD) が最も一般的な新生児の異常であり、早期発見が早期発見の必要性を浮き彫りにしている。 しかし,腹壁心電図(aECG)の胎児心電図(fECG)信号は母体心電図やノイズによって隠蔽されることが多く,低信号-雑音比(SNR)条件下での従来の手法に挑戦する。 本稿では,グラフニューラルネットワークとマルチスケール拡張トランスフォーマを統合し,動的にリード間相関をモデル化し,クリーンなfECG信号を抽出する深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-05T19:44:21Z)
• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• Evaluating Imputation Techniques for Short-Term Gaps in Heart Rate Data [2.5692532811345066]
  心拍数(HR)は、心血管の状態をモニターし、低血糖のような極端な生理的事象を検出する上で中心的な役割を果たす。 ウェアラブルデバイスのデータは、しばしば値の欠落に悩まされる。 この問題に対処するために、近年の研究では様々な計算手法が採用されている。 本研究は, 4つの統計計算手法の包括的評価を行うことにより, ギャップを埋めるものである。
  論文  参考訳（メタデータ） (2025-07-29T08:57:13Z)
• YARE-GAN: Yet Another Resting State EEG-GAN [0.0]
  We implement a Wasserstein GAN with Gradient Penalty (WGAN-GP) to generate multi-channel resting-state EEG data。 本結果は,実際の脳波データの統計的特徴とスペクトル特性を効果的に捉えていることを示す。
  論文  参考訳（メタデータ） (2025-03-04T14:01:10Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
  機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。 本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
  論文  参考訳（メタデータ） (2024-12-07T08:29:44Z)
• MSEMG: Surface Electromyography Denoising with a Mamba-based Efficient Network [21.596126531908908]
  表面筋電図(sEMG)記録は、監視された筋肉が心臓に閉じているときに心電図(ECG)信号によって汚染される。 我々は,Mamba状態空間モデルと畳み込みニューラルネットワークを統合し,軽量なsEMG復調モデルとして機能する新しいシステムであるMSEMGを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T04:25:28Z)
• MELEP: A Novel Predictive Measure of Transferability in Multi-Label ECG Diagnosis [1.3654846342364306]
  本稿では,事前学習したモデルから下流のECG診断タスクへの知識伝達の有効性を推定する手段であるMELEPを紹介する。 実験により、MELEPは、小・不均衡のECGデータに基づいて、事前学習した畳み込みと繰り返しの深部ニューラルネットワークの性能を予測できることを示した。
  論文  参考訳（メタデータ） (2023-10-27T14:57:10Z)
• Scaling Representation Learning from Ubiquitous ECG with State-Space Models [28.776392386988043]
  我々は、ECG信号からの表現学習のための事前訓練された状態空間モデルであるtextbfWildECGを紹介する。 我々は,275,000個のECG記録を野生で収集し,下流のタスクで評価することで,このモデルを自己指導的に訓練する。
  論文  参考訳（メタデータ） (2023-09-26T22:08:19Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• CLEEGN: A Convolutional Neural Network for Plug-and-Play Automatic EEG Reconstruction [1.6999370482438731]
  脳波自動再構成のための新しい畳み込みニューラルネットワークであるCLEEGNを提案する。 CLEEGNの性能は、波形観測、再構成誤差評価、復号精度などの複数の評価値を用いて検証した。 我々は、CLEEGNの広範囲な応用を、オンラインのプラグアンドプレイ脳波復号と分析の今後の研究に期待する。
  論文  参考訳（メタデータ） (2022-10-12T07:56:09Z)
• BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
  混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。 実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
  論文  参考訳（メタデータ） (2022-06-09T13:06:51Z)
• 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)
• sEMG Gesture Recognition with a Simple Model of Attention [0.0]
  表面筋電図(sEMG)信号の分類について述べる。 新たなアテンションベースモデルにより,複数の業界標準データセットのベンチマーク結果が得られた。 この結果から,sEMGは将来の機械学習研究の道のりとして有望であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-05T19:28:16Z)
• 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)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。