論文の概要: SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals

• arxiv url: http://arxiv.org/abs/2404.15353v1
• Date: Mon, 15 Apr 2024 01:07:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-28 10:46:58.083078
• Title: SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals
• Title（参考訳）: SQUWA:ノイズPPG信号からの心房細動検出精度向上のための信号品質を考慮したDNNアーキテクチャ
• Authors: Runze Yan, Cheng Ding, Ran Xiao, Aleksandr Fedorov, Randall J Lee, Fadi Nahab, Xiao Hu,
• Abstract要約: 心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 37.788535094404644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atrial fibrillation (AF), a common cardiac arrhythmia, significantly increases the risk of stroke, heart disease, and mortality. Photoplethysmography (PPG) offers a promising solution for continuous AF monitoring, due to its cost efficiency and integration into wearable devices. Nonetheless, PPG signals are susceptible to corruption from motion artifacts and other factors often encountered in ambulatory settings. Conventional approaches typically discard corrupted segments or attempt to reconstruct original signals, allowing for the use of standard machine learning techniques. However, this reduces dataset size and introduces biases, compromising prediction accuracy and the effectiveness of continuous monitoring. We propose a novel deep learning model, Signal Quality Weighted Fusion of Attentional Convolution and Recurrent Neural Network (SQUWA), designed to learn how to retain accurate predictions from partially corrupted PPG. Specifically, SQUWA innovatively integrates an attention mechanism that directly considers signal quality during the learning process, dynamically adjusting the weights of time series segments based on their quality. This approach enhances the influence of higher-quality segments while reducing that of lower-quality ones, effectively utilizing partially corrupted segments. This approach represents a departure from the conventional methods that exclude such segments, enabling the utilization of a broader range of data, which has great implications for less disruption when monitoring of AF risks and more accurate estimation of AF burdens. Our extensive experiments show that SQUWA outperform existing PPG-based models, achieving the highest AUCPR of 0.89 with label noise mitigation. This also exceeds the 0.86 AUCPR of models trained with using both electrocardiogram (ECG) and PPG data.
• Abstract（参考訳）: 心房細動(AF)は、心臓不整脈であり、脳卒中、心臓病、死亡のリスクを著しく高める。 Photoplethysmography (PPG)は、コスト効率とウェアラブルデバイスとの統合により、継続的なAFモニタリングに有望なソリューションを提供する。 それにもかかわらず、PSG信号は、運動人工物や、しばしば爆発的な状況で遭遇する他の要因から汚染される可能性がある。 通常、従来のアプローチでは、破損したセグメントを捨てたり、元の信号を再構築しようとしたりすることで、標準的な機械学習技術の使用を可能にした。 しかし、これはデータセットのサイズを減らし、バイアスを導入し、予測精度と継続的監視の有効性を損なう。 本稿では,意図的畳み込みとリカレントニューラルネットワークの信号品質重み付き融合モデル(SQUWA)を提案する。 具体的には、SQUWAは、学習プロセス中に信号の品質を直接考慮し、その品質に基づいて時系列セグメントの重みを動的に調整するアテンションメカニズムを革新的に統合する。 このアプローチは、高品質セグメントの影響を高めながら、低品質セグメントの影響を低減し、部分的に破損したセグメントを効果的に活用する。 このアプローチは、これらのセグメントを除外する従来の手法から逸脱し、より広い範囲のデータの利用を可能にし、AFリスクの監視やAF負荷のより正確な推定において、破壊の少ないことが大きな意味を持つ。 我々の広範な実験により、SQUWAは既存のPSGベースモデルよりも優れており、ラベルノイズ低減によるAUCPRの最大0.89を達成している。 これはまた、心電図(ECG)とPSGデータの両方を用いてトレーニングされたモデルの0.86 AUCPRを超えている。

関連論文リスト

• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• SiamAF: Learning Shared Information from ECG and PPG Signals for Robust Atrial Fibrillation Detection [18.014439380551824]
  心房細動 (AF) は心不整脈の最も一般的なタイプである。 脳卒中、心不全、その他の心血管合併症のリスクが高まるが、臨床的には沈黙することがある。 現在のディープラーニングモデルは、心電図(ECG)または光胸波(PPG)信号のどちらかの単一のモードから学習する。 我々は,新しいSiameseネットワークアーキテクチャと共同学習損失関数を活用して,ECG信号とPSG信号の両方から学習するSiamAFという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-13T15:48:24Z)
• A Self-Supervised Algorithm for Denoising Photoplethysmography Signals for Heart Rate Estimation from Wearables [21.086951625740824]
  我々は,PPG信号の清浄な部分を保ちながら,信号の劣化部分を再構成するPPG信号を復調するアルゴリズムを開発した。 我々の新しいフレームワークは自己教師型トレーニングに依存しており、クリーンなPSG信号の大規模なデータベースを活用してデノナイズドオートエンコーダを訓練する。
  論文  参考訳（メタデータ） (2023-07-07T06:21:43Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Guided Diffusion Model for Adversarial Purification [103.4596751105955]
  敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。 本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。 様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
  論文  参考訳（メタデータ） (2022-05-30T10:11:15Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• Heart Sound Classification Considering Additive Noise and Convolutional Distortion [2.63046959939306]
  異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。 本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。 提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
  論文  参考訳（メタデータ） (2021-06-03T14:09:04Z)
• The Effect of Data Augmentation on Classification of Atrial Fibrillation in Short Single-Lead ECG Signals Using Deep Neural Networks [12.39263432933148]
  クラス不均衡問題に対するオーバーサンプリングなど,様々なデータ拡張アルゴリズムの影響について検討する。 その結果, 深層学習に基づくAF信号分類手法は, オーバーサンプリングよりも, GANとGMMを用いたデータ拡張の恩恵が大きいことがわかった。
  論文  参考訳（メタデータ） (2020-02-07T16:08:19Z)

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。