論文の概要: Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope

• arxiv url: http://arxiv.org/abs/2410.03280v1
• Date: Fri, 4 Oct 2024 09:53:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 23:18:36.007775
• Title: Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope
• Title（参考訳）: デジタルステレオスコープを用いたマニキン記録心肺音データセット
• Authors: Yasaman Torabi, Shahram Shirani, James P. Reilly,
• Abstract要約: 心臓と肺の音は、医療監視に不可欠です。 近年の聴診器技術の進歩により、患者の音を精度良く捉えられるようになった。 私たちの知る限りでは、このデータセットは心呼吸音と混合呼吸音の両方を提供する最初のデータセットです。
• 参考スコア（独自算出の注目度）: 3.956979400783713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heart and lung sounds are crucial for healthcare monitoring. Recent improvements in stethoscope technology have made it possible to capture patient sounds with enhanced precision. In this dataset, we used a digital stethoscope to capture both heart and lung sounds, including individual and mixed recordings. To our knowledge, this is the first dataset to offer both separate and mixed cardiorespiratory sounds. The recordings were collected from a clinical manikin, a patient simulator designed to replicate human physiological conditions, generating clean heart and lung sounds at different body locations. This dataset includes both normal sounds and various abnormalities (i.e., murmur, atrial fibrillation, tachycardia, atrioventricular block, third and fourth heart sound, wheezing, crackles, rhonchi, pleural rub, and gurgling sounds). The dataset includes audio recordings of chest examinations performed at different anatomical locations, as determined by specialist nurses. Each recording has been enhanced using frequency filters to highlight specific sound types. This dataset is useful for applications in artificial intelligence, such as automated cardiopulmonary disease detection, sound classification, unsupervised separation techniques, and deep learning algorithms related to audio signal processing.
• Abstract（参考訳）: 心臓と肺の音は、医療監視に不可欠です。 近年の聴診器技術の進歩により、患者の音を精度良く捉えられるようになった。 本データセットでは,個人と混合記録を含む心臓と肺の両方の音を計測するために,デジタル聴診器を用いた。 私たちの知る限りでは、このデータセットは心呼吸音と混合呼吸音の両方を提供する最初のデータセットです。 記録は、ヒトの生理状態を再現し、身体の異なる場所でクリーンな心臓と肺の音を発生させる患者シミュレータである臨床マニキンから収集された。 このデータセットは、正常な音と様々な異常(例えば、大腿骨、心房細動、頻拍、房室ブロック、第3および第4心臓音、捕食、ひび割れ、ロンチ、胸水、ガーリング音)を含む。 このデータセットは、専門看護師が定めるように、異なる解剖学的場所で行われる胸部検査の音声記録を含む。 それぞれの録音は、特定の音種を強調するために周波数フィルタを用いて拡張されている。 このデータセットは、自動心肺疾患検出、音分類、教師なし分離技術、音声信号処理に関連するディープラーニングアルゴリズムなど、人工知能の応用に有用である。

関連論文リスト

• BUET Multi-disease Heart Sound Dataset: A Comprehensive Auscultation Dataset for Developing Computer-Aided Diagnostic Systems [1.7448183054840163]
  BUET Multi-disease Heart Soundデータセットは、心臓の音の録音を包括的かつ慎重に収集したデータセットである。 このデータセットは、診断に難渋する症例に焦点をあてて、弁膜性心疾患の幅広い範囲を表現している。 その革新的なマルチラベルアノテーションシステムは、さまざまな病気や独自の疾患状態をキャプチャする。
  論文  参考訳（メタデータ） (2024-09-01T13:55:04Z)
• Cardiac Copilot: Automatic Probe Guidance for Echocardiography with World Model [66.35766658717205]
  心臓の複雑な構造と重要な手術上の課題のため、経験豊富なソノグラフィーが不足している。 本稿では,リアルタイムなプローブ移動誘導が可能なCardiac Copilotシステムを提案する。 中心となるイノベーションは、心臓の空間構造を表現するためのデータ駆動の世界モデル、Cardiac Dreamerの提案である。 実世界の超音波データとそれに対応するプローブの動きを,3人のソノグラフィーによる151Kサンプル対を用いた110の定期的な臨床スキャンからトレーニングする。
  論文  参考訳（メタデータ） (2024-06-19T02:42:29Z)
• Heart Sound Segmentation Using Deep Learning Techniques [0.0]
  本稿では,S1 (LUB) とS2 (DUB) に心音区分けと分類を行う新しい手法を提案する。 我々は、FFTに基づくフィルタリング、イベント検出のための動的プログラミング、ロバストな分類のためのSiameseネットワークを採用している。 本手法は,既存手法と比較して,PASCALの心臓音響データセットに優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-09T05:30:05Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• The CirCor DigiScope Dataset: From Murmur Detection to Murmur Classification [5.879085008496386]
  1568人の患者の4つの主要な聴診所から計5282の録音が収集された。 それぞれの心室は、そのタイミング、形状、ピッチ、格付け、品質に応じて、専門家アノテータによって手動で注釈付けされている。
  論文  参考訳（メタデータ） (2021-08-02T12:30:40Z)
• 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)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
  本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。 第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。 第2段階は、心拍を幅または幅に分類する分類NNである。 第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
  論文  参考訳（メタデータ） (2020-11-17T16:15:49Z)
• Neural collaborative filtering for unsupervised mitral valve segmentation in echocardiography [60.08918310097638]
  心エコービデオの低次元埋め込みに基づく僧帽弁断面積自動制御法を提案する。 本法は, 各種僧帽弁疾患患者の心エコービデオと, 独立した検査コホートを用いて評価した。 これは、低品質ビデオやスパースアノテーションの場合には、最先端のインハンサーとエンファンサーの手法より優れている。
  論文  参考訳（メタデータ） (2020-08-13T12:53:26Z)

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。