論文の概要: On the effectiveness of smartphone IMU sensors and Deep Learning in the detection of cardiorespiratory conditions

• arxiv url: http://arxiv.org/abs/2408.15357v1
• Date: Tue, 27 Aug 2024 18:29:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-29 18:02:17.273829
• Title: On the effectiveness of smartphone IMU sensors and Deep Learning in the detection of cardiorespiratory conditions
• Title（参考訳）: スマートフォンIMUセンサと深部学習が呼吸状態の検出に及ぼす影響について
• Authors: Lorenzo Simone, Luca Miglior, Vincenzo Gervasi, Luca Moroni, Emanuele Vignali, Emanuele Gasparotti, Simona Celi,
• Abstract要約: 本研究は, 心肺疾患の早期スクリーニングのための, 取得プロトコルに基づく革新的な手法を提案する。 5つの異なる身体領域の加速度計とジャイロスコープで得られた呼吸動態を記録したデータセットを臨床的に収集した。 本研究では,早期心肺疾患スクリーニングのためのエンド・ツー・エンドのディープラーニングパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.21987601456703473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research introduces an innovative method for the early screening of cardiorespiratory diseases based on an acquisition protocol, which leverages commodity smartphone's Inertial Measurement Units (IMUs) and deep learning techniques. We collected, in a clinical setting, a dataset featuring recordings of breathing kinematics obtained by accelerometer and gyroscope readings from five distinct body regions. We propose an end-to-end deep learning pipeline for early cardiorespiratory disease screening, incorporating a preprocessing step segmenting the data into individual breathing cycles, and a recurrent bidirectional module capturing features from diverse body regions. We employed Leave-one-out-cross-validation with Bayesian optimization for hyperparameter tuning and model selection. The experimental results consistently demonstrated the superior performance of a bidirectional Long-Short Term Memory (Bi-LSTM) as a feature encoder architecture, yielding an average sensitivity of $0.81 \pm 0.02$, specificity of $0.82 \pm 0.05$, F1 score of $0.81 \pm 0.02$, and accuracy of $80.2\% \pm 3.9$ across diverse seed variations. We also assessed generalization capabilities on a skewed distribution, comprising exclusively healthy patients not used in training, revealing a true negative rate of $74.8 \% \pm 4.5$. The sustained accuracy of predictions over time during breathing cycles within a single patient underscores the efficacy of the preprocessing strategy, highlighting the model's ability to discern significant patterns throughout distinct phases of the respiratory cycle. This investigation underscores the potential usefulness of widely available smartphones as devices for timely cardiorespiratory disease screening in the general population, in at-home settings, offering crucial assistance to public health efforts (especially during a pandemic outbreaks, such as the recent COVID-19).
• Abstract（参考訳）: 本研究は,商品用スマートフォンの慣性測定ユニット(IMU)と深層学習技術を活用した,取得プロトコルに基づく循環器疾患の早期スクリーニング手法を提案する。 5つの異なる身体領域の加速度計とジャイロスコープで得られた呼吸動態を記録したデータセットを臨床的に収集した。 本研究では,早期心肺疾患スクリーニングのためのエンド・ツー・エンドのディープラーニングパイプラインを提案し,各呼吸周期にデータをセグメント化するための前処理ステップと,多様な身体領域から特徴を抽出する双方向モジュールを提案する。 ハイパパラメータチューニングとモデル選択にベイズ最適化を用いたLeave-one-out-cross-validationを採用した。 実験結果は,特徴エンコーダアーキテクチャとしての双方向長短項メモリ(Bi-LSTM)の優れた性能を一貫して示し,平均感度は0.81 \pm 0.02$,特異性は0.82 \pm 0.05$,F1スコアは0.81 \pm 0.02$,精度は80.2\% \pm 3.9$とした。 また,訓練に使用しない健康な患者のみを対象とし,スキュード分布の一般化能力を評価したところ,真の陰性率は74.8 % \pm 4.5$であった。 単一の患者の呼吸サイクルにおける予測の持続的精度は、前処理戦略の有効性を強調し、呼吸サイクルの異なるフェーズで重要なパターンを識別する能力を強調している。 この調査は、一般市民、家庭内でのタイムリーな心呼吸器疾患スクリーニング装置として、広く利用可能なスマートフォンの有用性を強調し、公衆衛生活動(特に最近の新型コロナウイルス(COVID-19)などパンデミックの流行)に重要な支援を提供する。

関連論文リスト

• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Rapid Lung Ultrasound COVID-19 Severity Scoring with Resource-Efficient Deep Feature Extraction [0.11439420412899562]
  本研究は, 最短トレーニング時間で重症度を評価するための, 深部特徴抽出器として, 既訓練モデルの活用に焦点を当てる。 既存の手法を特徴抽出器として使用することにより,訓練時間を数分に抑えながら,新型コロナウイルス関連肺炎重症度を効果的に分類できることが実証された。
  論文  参考訳（メタデータ） (2022-07-22T10:32:30Z)
• Frequency comb and machine learning-based breath analysis for COVID-19 classification [0.6113111451963646]
  本研究では,各呼吸試料中の数万のスペクトル特性を同時に測定する頑健な分析手法を提案する。 コロラド大学における170個のサンプルを用いて, 受信-操作-特性曲線 0.849(4) のクロスバリデーション領域を報告した。 喫煙や腹痛などの他の変数と同様に,男性と女性の呼吸に有意な差が認められた。
  論文  参考訳（メタデータ） (2022-02-04T05:58:52Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• End-to-End Optimized Arrhythmia Detection Pipeline using Machine Learning for Ultra-Edge Devices [0.0]
  心房細動(AF)は世界中で最も多い不整脈であり、人口の2%が影響を受けている。 超最先端デバイスに展開可能な高精度のリアルタイム心房細動検出のための効率的なパイプラインを提案する。
  論文  参考訳（メタデータ） (2021-11-23T11:06:27Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
  疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。 この影響は、肺葉を分節する機械学習手法の改善を動機づけた。 このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
  論文  参考訳（メタデータ） (2021-05-11T17:10:25Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• 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。