論文の概要: Towards Continuous Skin Sympathetic Nerve Activity Monitoring: Removing Muscle Noise

• arxiv url: http://arxiv.org/abs/2410.21319v1
• Date: Sat, 26 Oct 2024 04:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:41:29.214394
• Title: Towards Continuous Skin Sympathetic Nerve Activity Monitoring: Removing Muscle Noise
• Title（参考訳）: 連続性皮膚交感神経活動モニタリングに向けて:筋雑音の除去
• Authors: Farnoush Baghestani, Mahdi Pirayesh Shirazi Nejad, Youngsun Kong, Ki H. Chon,
• Abstract要約: 本研究では,SKNA記録から筋ノイズを検出し除去するディープ畳み込みニューラルネットワーク(CNN)を提案する。 健常者12名を対象に, 認知的ストレス誘発と随意筋運動に関するコントロール実験を行った。 データセグメントのスペクトログラムに基づいて2次元CNNモデルを訓練し、それらをベースライン、ストレス誘発性SKNA、および筋ノイズ汚染期間に分類した。
• 参考スコア（独自算出の注目度）: 2.1936687644617625
• License:
• Abstract: Continuous monitoring of non-invasive skin sympathetic nerve activity (SKNA) holds promise for understanding the sympathetic nervous system (SNS) dynamics in various physiological and pathological conditions. However, muscle noise artifacts present a challenge in accurate SKNA analysis, particularly in real-life scenarios. This study proposes a deep convolutional neural network (CNN) approach to detect and remove muscle noise from SKNA recordings obtained via ECG electrodes. Twelve healthy participants underwent controlled experimental protocols involving cognitive stress induction and voluntary muscle movements, while collecting SKNA data. Power spectral analysis revealed significant muscle noise interference within the SKNA frequency band (500-1000 Hz). A 2D CNN model was trained on the spectrograms of the data segments to classify them into baseline, stress-induced SKNA, and muscle noise-contaminated periods, achieving an average accuracy of 89.85% across all subjects. Our findings underscore the importance of addressing muscle noise for accurate SKNA monitoring, advancing towards wearable SKNA sensors for real-world applications.
• Abstract（参考訳）: 非侵襲性皮膚交感神経活動(SKNA)の連続的なモニタリングは、様々な生理的および病理的条件下での交感神経系(SNS)のダイナミクスを理解することを約束する。 しかし、筋ノイズアーティファクトは、特に実生活シナリオにおいて、正確なSKNA分析において課題を呈している。 本研究は,心電図電極を用いて得られたSKNA記録から筋ノイズを検出し,除去するためのディープ畳み込みニューラルネットワーク(CNN)手法を提案する。 健常者12名を対象に,SKNAデータを収集しながら,認知的ストレス誘発と随意筋運動を含む実験的プロトコルを制御した。 パワースペクトル分析の結果,SKNA周波数帯域(500-1000Hz)で有意な筋ノイズ干渉が認められた。 2D CNNモデルは、データセグメントのスペクトログラムに基づいてトレーニングされ、ベースライン、ストレス誘発性SKNA、および筋肉ノイズ汚染期間に分類され、全被験者の平均精度は89.85%に達した。 以上の結果から,SKNAモニタリングにおける筋雑音への対処の重要性が示唆された。

関連論文リスト

• Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios [39.3721526159124]
  本研究では,皮質振動と筋振動の関係をモデル化するために,密度比の正則分解に基づく統計的依存推定器の新たな応用を提案する。 本研究では,皮質筋接続から学習した固有関数が,運動と被験者を正確に分類できることを実験的に実証した。
  論文  参考訳（メタデータ） (2024-10-04T16:05:08Z)
• Expressivity of Neural Networks with Random Weights and Learned Biases [44.02417750529102]
  最近の研究は、任意の関数がパラメータの小さな部分集合をチューニングすることによって同様に学習できることを示し、普遍近似の境界を推し進めている。 ランダムな重みを固定したフィードフォワードニューラルネットワークが、バイアスのみを学習することによって複数のタスクを実行することができることを示す理論的および数値的なエビデンスを提供する。 我々の結果は神経科学に関係しており、シナプスの重みを変えることなく動的に行動に関連のある変化が起こる可能性を実証している。
  論文  参考訳（メタデータ） (2024-07-01T04:25:49Z)
• Benchmarking Deep Jansen-Rit Parameter Inference: An in Silico Study [0.0]
  種々の雑音条件下での脳波をシミュレーションしたJansen-Ritニューラルマスモデル(JR-NMM)のパラメータ推定のためのBi-LSTMモデルの性能をベンチマークした。 以上の結果から,脳波から局所的JR-NMMパラメータを予測できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-07T15:16:46Z)
• Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
  本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。 本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。 本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2024-04-22T09:40:07Z)
• A multi-artifact EEG denoising by frequency-based deep learning [5.231056284485742]
  我々は周波数領域で動作する新しい脳波復調モデルを開発し、ノイズスペクトルの特徴に関する事前知識を活用している。 EEGdenoiseNetデータセットの性能評価は、提案モデルが時間およびスペクトルの指標に応じて最適な結果を得ることを示す。
  論文  参考訳（メタデータ） (2023-10-26T12:01:47Z)
• Motion Magnification in Robotic Sonography: Enabling Pulsation-Aware Artery Segmentation [44.868281669589194]
  スキャン中の動脈セグメンテーションの精度と安定性を改善するために,新しい脈動補助セグメンテーションニューラルネットワーク(PAS-NN)を提案する。 興味のある周波数帯域内の微妙な動きを増幅し、連続したUS画像から脈動信号を抽出するために、運動倍率技術を用いる。 抽出したリアルタイム脈動情報は、米国横断画像の動脈を見つけるのに役立つ。
  論文  参考訳（メタデータ） (2023-07-07T16:14:17Z)
• A Multi-Resolution Physics-Informed Recurrent Neural Network: Formulation and Application to Musculoskeletal Systems [1.978587235008588]
  本研究は筋骨格運動(MSK)の同時予測のための物理インフォームド・リカレントニューラルネットワーク(MR PI-RNN)を提案する。 提案手法は、高速ウェーブレット変換を用いて、混合周波数入力sEMGを分解し、ジョイントモーション信号をネスト多重解像度信号に出力する。 このフレームワークはまた、被験者の運動学データと生理的に整合した筋肉パラメータを識別することも可能である。
  論文  参考訳（メタデータ） (2023-05-26T02:51:39Z)
• Joint MR sequence optimization beats pure neural network approaches for spin-echo MRI super-resolution [44.52688267348063]
  最近のMRIスーパーレゾリューション(SR)法は、ニューラルネットワーク(NN)の入力として典型的な臨床領域から取得したコントラストのみを使用する SR-TSEのためのMRシークエンスとニューラルネットワークパラメータのエンドツーエンド最適化を実現するための既知の演算子学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-12T14:40:25Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• A Regularization Method to Improve Adversarial Robustness of Neural Networks for ECG Signal Classification [1.8579693774597703]
  心電図(Electrocardiogram、ECG)は、ヒトの心臓の状態をモニターする最も広く用いられる診断ツールである。 ECG信号のディープニューラルネットワーク(DNN)解釈は、患者の心臓の潜在的な異常を1秒で識別するために完全に自動化することができる。 DNNは、DNNの入力に微妙な変化をもたらす敵の雑音に対して非常に脆弱であり、間違ったクラスラベル予測をもたらす可能性がある。 本稿では,ECG信号分類の適用のために,ノイズ-信号比(NSR)の観点から頑健性を改善するための正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T06:22:02Z)
• DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
  本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。 提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-18T13:13:41Z)

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。