Fugu-MT 論文翻訳(概要): Multiclass Arrhythmia Classification using Smartwatch Photoplethysmography Signals Collected in Real-life Settings

論文の概要: Multiclass Arrhythmia Classification using Smartwatch Photoplethysmography Signals Collected in Real-life Settings

arxiv url: http://arxiv.org/abs/2409.06147v1
Date: Tue, 10 Sep 2024 01:44:56 GMT
ステータス: 処理完了
システム内更新日: 2024-09-11 19:20:45.986104
Title: Multiclass Arrhythmia Classification using Smartwatch Photoplethysmography Signals Collected in Real-life Settings
Title（参考訳）: 実生活で収集したスマートウォッチフォトプレソグラフィー信号を用いたマルチクラス不整脈分類
Authors: Dong Han, Jihye Moon, Luís Roberto Mercado Díaz, Darren Chen, Devan Williams, Eric Y. Ding, Khanh-Van Tran, David D. McManus, Ki H. Chon,
Abstract要約: 不整脈分類の深層学習モデルは、スマートウォッチ由来のPSGよりも高い信号対雑音比を有する光胸波(モダル)データでテストされている。計算効率の良い1D双方向Gated Recurrent Unit (1D-Bi-GRU) モデルへの入力として, 1D PPG, 加速度計, 心拍データを組み込んだマルチクラスデータを用いて, 3つの不整脈クラスを検出する。
参考スコア（独自算出の注目度）: 4.924139842513886
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most deep learning models of multiclass arrhythmia classification are tested on fingertip photoplethysmographic (PPG) data, which has higher signal-to-noise ratios compared to smartwatch-derived PPG, and the best reported sensitivity value for premature atrial/ventricular contraction (PAC/PVC) detection is only 75%. To improve upon PAC/PVC detection sensitivity while maintaining high AF detection, we use multi-modal data which incorporates 1D PPG, accelerometers, and heart rate data as the inputs to a computationally efficient 1D bi-directional Gated Recurrent Unit (1D-Bi-GRU) model to detect three arrhythmia classes. We used motion-artifact prone smartwatch PPG data from the NIH-funded Pulsewatch clinical trial. Our multimodal model tested on 72 subjects achieved an unprecedented 83% sensitivity for PAC/PVC detection while maintaining a high accuracy of 97.31% for AF detection. These results outperformed the best state-of-the-art model by 20.81% for PAC/PVC and 2.55% for AF detection even while our model was computationally more efficient (14 times lighter and 2.7 faster).
Abstract（参考訳）: マルチクラス不整脈分類の深層学習モデルは,スマートウォッチ由来のPSGと比較して高い信号-雑音比を有し,早期心房/心室収縮(PAC/PVC)検出の感度は75%に過ぎなかった。高AF検出を維持しつつPAC/PVC検出感度を向上させるために、計算効率の良い1D双方向Gated Recurrent Unit (1D-Bi-GRU)モデルへの入力として、1D PPG、加速度計、心拍データを組み込んだマルチモーダルデータを用いて、3つの不整脈クラスを検出する。 NIHが出資したPulsewatchのPPGデータを用いた。対象者72名を対象に行ったマルチモーダルモデルでは,PAC/PVC検出の感度は前例のない83%,AF検出の精度は97.31%であった。その結果,PAC/PVCでは20.81%,AF検出では2.55%,計算効率は14倍,2.7倍であった。

関連論文リスト

Validation of a new, minimally-invasive, software smartphone device to predict sleep apnea and its severity: transversal study [3.798946451618375]
閉塞性睡眠時無呼吸(OSA)は頻繁で、心臓血管の合併症や日中の過度な睡眠障害の原因となる。スマートフォンのセンサーを使う別の方法は、診断を高めるのに役立つかもしれない。本稿は,PSGによるスコアと比較して,スマートフォンによる信号の手動スコアリングが可能であり,正確であることを示す。
論文参考訳（メタデータ） (2024-06-20T14:36:15Z)
SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
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。
論文参考訳（メタデータ） (2024-04-15T01:07:08Z)
A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文参考訳（メタデータ） (2023-10-30T11:13:40Z)
Hallucinated Heartbeats: Anomaly-Aware Remote Pulse Estimation [4.358339450050692]
実検体のみで訓練されたディープラーニングモデルは、異常なビデオに本物の形のパルスを"幻覚"させる。提案した訓練(75.8%)を取り入れた深層学習モデルの精度は,定期訓練(73.7%)と手作りr法(52-62%)と比較して向上した。
論文参考訳（メタデータ） (2023-03-11T17:09:14Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
論文参考訳（メタデータ） (2022-11-07T21:35:08Z)
A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文参考訳（メタデータ） (2021-11-10T19:39:26Z)
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)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors [3.2116198597240846]
本稿では,ウェアラブルデバイスから取得した心電図(ECG)信号から呼吸時無呼吸検出のための新しい手法を提案する。この新しさは、秒単位の高分解能の無呼吸検出に起因している。このモデルはいくつかの低分解能アパネ検出法より優れる。
論文参考訳（メタデータ） (2021-05-02T18:35:57Z)
Deep Learning Based Detection and Localization of Intracranial Aneurysms in Computed Tomography Angiography [5.973882600944421]
初期動脈瘤検出のための3D領域提案ネットワークと偽陽性縮小のための3D DenseNetという2段階モデルが実装された。本モデルでは,0.25FPPV,最高F-1スコアと比較すると,統計的に高い精度,感度,特異性を示した。
論文参考訳（メタデータ） (2020-05-22T10:49:23Z)

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。