Fugu-MT 論文翻訳(概要): ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring

論文の概要: ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring

arxiv url: http://arxiv.org/abs/2409.12493v1
Date: Thu, 19 Sep 2024 06:14:30 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 14:41:29.228449
Title: ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring
Title（参考訳）: ConvexECG: パーソナライズされた連続心臓モニタリングのための軽量で説明可能なニューラルネットワーク
Authors: Rayan Ansari, John Cao, Sabyasachi Bandyopadhyay, Sanjiv M. Narayan, Albert J. Rogers, Mert Pilanci,
Abstract要約: ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
参考スコア（独自算出の注目度）: 43.23305904110984
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present ConvexECG, an explainable and resource-efficient method for reconstructing six-lead electrocardiograms (ECG) from single-lead data, aimed at advancing personalized and continuous cardiac monitoring. ConvexECG leverages a convex reformulation of a two-layer ReLU neural network, enabling the potential for efficient training and deployment in resource constrained environments, while also having deterministic and explainable behavior. Using data from 25 patients, we demonstrate that ConvexECG achieves accuracy comparable to larger neural networks while significantly reducing computational overhead, highlighting its potential for real-time, low-resource monitoring applications.
Abstract（参考訳）: ConvexECG(コンベックスECG)は,心電図(ECG)を単葉データから再構成し,パーソナライズおよび連続心臓モニタリングの促進を目的とした,説明可能な,資源効率のよい手法である。 ConvexECGは、2層ReLUニューラルネットワークの凸再構成を利用して、リソース制約された環境における効率的なトレーニングとデプロイメントを可能にすると同時に、決定論的かつ説明可能な振る舞いを持つ。 25人の患者のデータを用いて、ConvexECGはより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減し、リアルタイムで低リソースのモニタリングアプリケーションの可能性を強調した。

関連論文リスト

LDGCN: An Edge-End Lightweight Dual GCN Based on Single-Channel EEG for Driver Drowsiness Monitoring [8.13292883415769]
運転者の眠気脳波(EEG)信号監視は、運転者の眠気状態をタイムリーに警告することができる。既存の単一チャネルのEEG隣接グラフ構築プロセスは解釈可能性に欠ける。エッジエンド軽量デュアルグラフ畳み込みネットワーク(LDGCN)を提案する。
論文参考訳（メタデータ） (2024-07-08T08:55:25Z)
Coronary Artery Disease Classification Using One-dimensional Convolutional Neural Network [0.7673339435080443]
冠状動脈疾患(CAD)は、世界的な死因であり、革新的な解決策を必要としている。本稿では,1次元畳み込みニューラルネットワーク(1D-CNN)の可能性を提案し,検出精度を高め,ネットワークの複雑さを低減する。本研究は,心電図(ECG)信号の複雑なパターンを特徴抽出技術に頼らずに解釈する1D-CNNの顕著な能力を活用し,従来の診断手法を超えている。
論文参考訳（メタデータ） (2024-05-15T13:51:02Z)
Optimizing Neural Network Scale for ECG Classification [1.8953148404648703]
心電図(ECG)解析のための残留ニューラルネットワーク(ResNet)を対象とするスケーリング畳み込みニューラルネットワーク(CNN)について検討する。本研究では,層深さ,チャネル数,コンボリューションカーネルサイズといった重要なパラメータの影響を調べることで,ResNetのスケールアップに有効な手法を探索し,実証した。我々の発見は、計算資源が少ないか、少ない時間でより効率的で正確なモデルを得るための洞察を与えてくれる。
論文参考訳（メタデータ） (2023-08-24T01:26:31Z)
Efficient ECG-based Atrial Fibrillation Detection via Parameterised Hypercomplex Neural Networks [11.964843902569925]
心房細動(英: atrial fibrillation、AF)は、脳卒中などの重篤な疾患のリスクが高い心不整脈である。心電図(ECG)から自動的かつタイムリーなAFアセスメントを組み込んだウェアラブルデバイスは、生命を脅かす事態を防ぐ上で有望であることが示されている。ディープニューラルネットワークは、モデルパフォーマンスにおいて優位性を示しており、彼らのウェアラブルデバイスでの使用は、モデルパフォーマンスと複雑性の間のトレードオフによって制限されている。
論文参考訳（メタデータ） (2022-10-27T14:24:48Z)
Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文参考訳（メタデータ） (2021-11-08T07:57:30Z)
Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文参考訳（メタデータ） (2020-12-31T18:48:58Z)
End-to-End Deep Learning for Reliable Cardiac Activity Monitoring using Seismocardiograms [0.057350354637930076]
SeismoNetは、心電図(SCG)信号から心臓活動を観察するエンドツーエンドのソリューションを提供することを目指している。これらのSCG信号はモーションベースであり、簡単でユーザフレンドリーな方法で取得できる。ディープラーニングを用いることで、ノイズライディング形態にもかかわらず、SCG信号から直接Rピークを検出することができる。
論文参考訳（メタデータ） (2020-10-12T13:02:07Z)
Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文参考訳（メタデータ） (2020-07-16T17:43:13Z)
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)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。