論文の概要: Multi-Feature Fusion and Compressed Bi-LSTM for Memory-Efficient Heartbeat Classification on Wearable Devices

• arxiv url: http://arxiv.org/abs/2405.15312v2
• Date: Fri, 13 Dec 2024 15:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:00:20.105643
• Title: Multi-Feature Fusion and Compressed Bi-LSTM for Memory-Efficient Heartbeat Classification on Wearable Devices
• Title（参考訳）: ウェアラブルデバイスにおける多機能核融合と圧縮Bi-LSTMによる記憶能の高い心拍分類
• Authors: Reza Nikandish, Jiayu He, Benyamin Haghi,
• Abstract要約: 多機能核融合と双方向長短期記憶(Bi-LSTM)を用いた心電図(ECG)を用いた心拍分類の資源効率向上手法を提案する。 このデータセットは、MIT-BIH Arrhythmia Database: Normal (N)、Left Bundle Branch Block (LBBB)、Right Bundle Branch Block (RBBB)、Premature Ventricular Contraction (PVC)、Paced Beat (PB)の5つのオリジナルクラスで構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this article, we present a resource-efficient approach for electrocardiogram (ECG) based heartbeat classification using multi-feature fusion and bidirectional long short-term memory (Bi-LSTM). The dataset comprises five original classes from the MIT-BIH Arrhythmia Database: Normal (N), Left Bundle Branch Block (LBBB), Right Bundle Branch Block (RBBB), Premature Ventricular Contraction (PVC), and Paced Beat (PB). Preprocessing methods including the discrete wavelet transform and dual moving average windows are used to reduce noise and artifacts in the raw ECG signal, and extract the main points (PQRST) of the ECG waveform. Multi-feature fusion is achieved by utilizing time intervals and the proposed under-the-curve areas, which are inherently robust against noise, as input features. Simulations demonstrated that incorporating under-the-curve area features improved the classification accuracy for the challenging RBBB and LBBB classes from 31.4\% to 84.3\% for RBBB, and from 69.6\% to 87.0\% for LBBB. Using a Bi-LSTM network, rather than a conventional LSTM network, resulted in higher accuracy (33.8\% vs 21.8\%) with a 28\% reduction in required network parameters for the RBBB class. Multiple neural network models with varying parameter sizes, including tiny (84k), small (150k), medium (478k), and large (1.25M) models, are developed to achieve high accuracy \textit{across all classes}, a more crucial and challenging goal than overall classification accuracy.
• Abstract（参考訳）: 本稿では,多機能核融合と双方向長短期記憶(Bi-LSTM)を用いた心電図に基づく心拍分類のための資源効率のよい手法を提案する。 このデータセットは、MIT-BIH Arrhythmia Database: Normal (N)、Left Bundle Branch Block (LBBB)、Right Bundle Branch Block (RBBB)、Premature Ventricular Contraction (PVC)、Paced Beat (PB)の5つのオリジナルクラスで構成されている。 離散ウェーブレット変換やデュアル移動平均ウィンドウを含む前処理手法を用いて、生ECG信号のノイズやアーチファクトを低減し、ECG波形の主点(PQRST)を抽出する。 入力特性として本質的にノイズに対して頑健な時間間隔と非曲率領域を活用することで,多機能融合を実現する。 シミュレーションにより、曲線下領域の機能を取り入れたことにより、RBBB と LBBB の難易度が 31.4\% から 84.3\% に向上し、LBBB は 69.6\% から 87.0\% に向上した。 従来のLSTMネットワークではなく、Bi-LSTMネットワークを使用することで、RBBBクラスに必要なネットワークパラメータが28倍の精度(33.8\%対21.8\%)が得られる。 パラメータサイズが小(84k)、小(150k)、中(478k)、大(1.25M)のモデルを含む複数のニューラルネットワークモデルを開発した。

関連論文リスト

• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Deep Learning Classification of Photoplethysmogram Signal for Hypertension Levels [2.289386500039994]
  前高血圧(正常レベル)と高血圧(ステージIとステージIIを含む)の2つのカテゴリで分類された。 精度と特異性の100%と82.1%のリコールにより、LSTMモデルはニューラルネットワークのすべての組み合わせの中で最良の結果を提供する。 最大精度71.9%はLSTM-CNNモデルによって達成されている。
  論文  参考訳（メタデータ） (2024-05-23T13:35:53Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• 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)
• ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
  本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。 MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。 不整脈では99.7%,MIでは99.2%の分類が得られた。
  論文  参考訳（メタデータ） (2021-07-21T03:48:35Z)
• SE-ECGNet: A Multi-scale Deep Residual Network with Squeeze-and-Excitation Module for ECG Signal Classification [6.124438924401066]
  ECG信号分類タスクのためのマルチスケール深部残差ネットワークを開発しています。 我々は,マルチリード信号を2次元行列として扱うことを提案する。 提案モデルは,mit-bihデータセットでは99.2%,alibabaデータセットでは89.4%のf1-scoreを実現する。
  論文  参考訳（メタデータ） (2020-12-10T08:37:44Z)
• Combining Spatial Clustering with LSTM Speech Models for Multichannel Speech Enhancement [3.730592618611028]
  LSTMアーキテクチャを用いたリカレントニューラルネットワークは、大きな単一チャネルノイズ低減を実現することができる。 しかし、新しいマイク構成に一般化できる方法でマルチチャネル入力に適用する方法は明らかではない。 本稿では,空間分離性能と多チャンネル空間クラスタリングの汎用性を両立させる2つの手法を組み合わせる。
  論文  参考訳（メタデータ） (2020-12-02T22:37:50Z)
• Method for classifying a noisy Raman spectrum based on a wavelet transform and a deep neural network [0.0]
  エンジンは2基の主エンジンで構成されている。 1次元ラマンスペクトルを2次元データに変換するためのフレームワークフロントエンドとしてウェーブレット変換を提案する。 最適分類器は、いくつかの従来の機械学習(ML)アルゴリズムとディープラーニング(DL)アルゴリズムを実装することで選択される。
  論文  参考訳（メタデータ） (2020-09-09T02:31:23Z)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)

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。