Fugu-MT 論文翻訳(概要): radarODE-MTL: A Multi-Task Learning Framework with Eccentric Gradient Alignment for Robust Radar-Based ECG Reconstruction

論文の概要: radarODE-MTL: A Multi-Task Learning Framework with Eccentric Gradient Alignment for Robust Radar-Based ECG Reconstruction

arxiv url: http://arxiv.org/abs/2410.08656v1
Date: Fri, 11 Oct 2024 09:28:09 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 22:45:00.734602
Title: radarODE-MTL: A Multi-Task Learning Framework with Eccentric Gradient Alignment for Robust Radar-Based ECG Reconstruction
Title（参考訳）: radarODE-MTL:ロバストレーダを用いたECG再構成のための偏心勾配アライメントを用いたマルチタスク学習フレームワーク
Authors: Yuanyuan Zhang, Rui Yang, Yutao Yue, Eng Gee Lim,
Abstract要約: この作業は、レーダーによるECG回復を創造的に3つの個別のタスクに分解する。複数タスクの学習フレームワークであるRadarODE-MTLを提案し、一貫した雑音や突然の騒音に対する堅牢性を高める。実験の結果,レーダノード-MTLはレーダ信号から正確なECG信号を頑健に再構成できることが示唆された。
参考スコア（独自算出の注目度）: 13.124543736214921
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Millimeter-wave radar is promising to provide robust and accurate vital sign monitoring in an unobtrusive manner. However, the radar signal might be distorted in propagation by ambient noise or random body movement, ruining the subtle cardiac activities and destroying the vital sign recovery. In particular, the recovery of electrocardiogram (ECG) signal heavily relies on the deep-learning model and is sensitive to noise. Therefore, this work creatively deconstructs the radar-based ECG recovery into three individual tasks and proposes a multi-task learning (MTL) framework, radarODE-MTL, to increase the robustness against consistent and abrupt noises. In addition, to alleviate the potential conflicts in optimizing individual tasks, a novel multi-task optimization strategy, eccentric gradient alignment (EGA), is proposed to dynamically trim the task-specific gradients based on task difficulties in orthogonal space. The proposed radarODE-MTL with EGA is evaluated on the public dataset with prominent improvements in accuracy, and the performance remains consistent under noises. The experimental results indicate that radarODE-MTL could reconstruct accurate ECG signals robustly from radar signals and imply the application prospect in real-life situations. The code is available at: http://github.com/ZYY0844/radarODE-MTL.
Abstract（参考訳）: ミリ波レーダーは、頑丈で正確なバイタルサイン監視を邪魔にならない方法で提供することを約束している。しかし、レーダー信号は周囲のノイズやランダムな体の動きによって伝搬が歪められ、微妙な心臓活動を台無しにし、バイタルサインの回復を損なう可能性がある。特に心電図(ECG)信号の回復はディープラーニングモデルに大きく依存しており、ノイズに敏感である。そこで本研究は,レーダベースのECG回復を3つの個別のタスクに創造的に分解し,一貫した雑音に対するロバスト性を高めるためにマルチタスク学習(MTL)フレームワークであるRadarODE-MTLを提案する。さらに,タスクの最適化における潜在的な対立を軽減するため,直交空間におけるタスク難易度に基づいてタスク固有の勾配を動的にトリミングする,新しいマルチタスク最適化戦略である偏心勾配アライメント(EGA)を提案する。提案するレーダノード-MTLとEGAを併用したレーダノード-MTLは,精度が著しく向上した公開データセット上で評価され,ノイズ下でも性能は一定である。実験結果から,レーダノード-MTLはレーダ信号から精度の高いECG信号を復元し,実環境における適用可能性を示す可能性が示唆された。コードは以下の通り。 http://github.com/ZYY0844/radarODE-MTL。

関連論文リスト

RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。レーダーは騒音と位置のあいまいさに悩まされる。本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文参考訳（メタデータ） (2025-02-18T17:17:38Z)
Towards Smarter Sensing: 2D Clutter Mitigation in RL-Driven Cognitive MIMO Radar [8.674241138986925]
このシステムは平面配列構成を採用し、伝送波形とビームフォーミングパターンを適用して検出性能を最適化する。堅牢なウォルド型検出器はSARSAベースのRLアルゴリズムと統合されており、レーダーは複雑な乱雑な環境を学習し適応することができる。
論文参考訳（メタデータ） (2025-02-07T14:31:58Z)
TransRAD: Retentive Vision Transformer for Enhanced Radar Object Detection [6.163747364795787]
本稿では,新しい3次元レーダ物体検出モデルであるTransRADを提案する。本研究では、ディープレーダオブジェクト検出における重複境界ボックスの共通問題を軽減するために、位置認識型NMSを提案する。その結果,TransRADは2次元および3次元のレーダ検出タスクにおいて最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2025-01-29T20:21:41Z)
Radar Signal Recognition through Self-Supervised Learning and Domain Adaptation [48.265859815346985]
RFサンプルとラベルを限定した環境下でのレーダ信号認識を強化するための自己教師付き学習(SSL)手法を提案する。具体的には,各種RF領域のベースバンド内位相および2次(I/Q)信号に対する事前学習マスク付きオートエンコーダ(MAE)について検討する。その結果,ドメイン適応型軽量自己教師型ResNetモデルでは,1ショットの分類精度が最大17.5%向上した。
論文参考訳（メタデータ） (2025-01-07T01:35:56Z)
radarODE: An ODE-Embedded Deep Learning Model for Contactless ECG Reconstruction from Millimeter-Wave Radar [16.52097542165782]
レーダノードと呼ばれる新しいディープラーニングフレームワークは、レーダ信号から抽出された時間的および形態的特徴を融合させ、ECGを生成するように設計されている。レーダノードは,検出率の欠落,ルート平均二乗誤差,ピアソン相関係数の9%,16%,19%で,ベンチマークよりも優れた性能を実現している。
論文参考訳（メタデータ） (2024-08-03T06:07:15Z)
BRSR-OpGAN: Blind Radar Signal Restoration using Operational Generative Adversarial Network [15.913517836391357]
現実世界のレーダー信号は、望ましくないエコー、センサーノイズ、意図的な妨害、干渉など、人工物が混ざり合っているため、しばしば破損する。 BRSR-OpGAN(Operational Generative Adversarial Network)を用いたブラインドレーダ信号復元の検討このアプローチは、破壊の多様性や強度に関わらず、レーダ信号の品質を向上させるように設計されている。
論文参考訳（メタデータ） (2024-07-18T23:55:48Z)
Multi-stage Learning for Radar Pulse Activity Segmentation [51.781832424705094]
無線信号認識は電子戦において重要な機能である。電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
論文参考訳（メタデータ） (2023-12-15T01:56:27Z)
Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
論文参考訳（メタデータ） (2023-06-19T12:01:28Z)
Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-06-02T10:57:41Z)
Identifying Coordination in a Cognitive Radar Network -- A Multi-Objective Inverse Reinforcement Learning Approach [30.65529797672378]
本稿では,レーダ間のコーディネーションを検出するために,新しい多目的逆強化学習手法を提案する。また、多目的最適化システムの逆検出と学習に関するより一般的な問題にも適用できる。
論文参考訳（メタデータ） (2022-11-13T17:27:39Z)
RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文参考訳（メタデータ） (2020-07-28T17:15:02Z)

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。