論文の概要: Convolutional Fourier Analysis Network (CFAN): A Unified Time-Frequency Approach for ECG Classification

• arxiv url: http://arxiv.org/abs/2502.00497v3
• Date: Wed, 14 May 2025 00:45:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 15:30:05.476527
• Title: Convolutional Fourier Analysis Network (CFAN): A Unified Time-Frequency Approach for ECG Classification
• Title（参考訳）: 畳み込みフーリエ解析ネットワーク(CFAN):ECG分類のための統一時間周波数アプローチ
• Authors: Sam Jeong, Hae Yong Kim,
• Abstract要約: 本研究では、時間周波数解析を統一する新しいアーキテクチャである畳み込みフーリエ解析ネットワーク(CFAN)を紹介する。 我々は、スペクトルベース2D CNN(SPECT)、1D CNN(CNN1D)、フーリエベース1D CNN(FFT1D)、フーリエ分析ネットワーク(CNN1D-FAN)の統合CNN1Dの4つのベンチマークに対してCFANを評価する。 CFANは最先端のパフォーマンスを達成し、98.95%(MIT-BIH)、96.83%(ECG-ID)、95.01%(Ap)と競合する全ての手法を上回りました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has revolutionized biomedical signal analysis, particularly in electrocardiogram (ECG) classification. While convolutional neural networks (CNNs) excel at automatic feature extraction, the optimal integration of time- and frequency-domain information remains unresolved. This study introduces the Convolutional Fourier Analysis Network (CFAN), a novel architecture that unifies time-frequency analysis by embedding Fourier principles directly into CNN layers. We evaluate CFAN against four benchmarks - spectrogram-based 2D CNN (SPECT); 1D CNN (CNN1D); Fourier-based 1D CNN (FFT1D); and CNN1D with integrated Fourier Analysis Network (CNN1D-FAN) - across three ECG tasks: arrhythmia classification (MIT-BIH), identity recognition (ECG-ID), and apnea detection (Apnea-ECG). CFAN achieved state-of-the-art performance, surpassing all competing methods with accuracies of 98.95% (MIT-BIH), 96.83% (ECG-ID), and 95.01% (Apnea-ECG). Notably, on ECG-ID and Apnea-ECG, CFAN demonstrated statistically significant improvements over the second-best method (CNN1D-FAN, $p \leq 0.02$), further validating its superior performance. Key innovations include CONV-FAN blocks that combine sine, cosine and GELU activations in convolutional layers to capture periodic features and joint time-frequency learning without spectrogram conversion. Our results highlight CFAN's potential for broader biomedical and signal classification applications.
• Abstract（参考訳）: 機械学習は、特に心電図(ECG)分類において、生体医学的信号分析に革命をもたらした。 畳み込みニューラルネットワーク(CNN)は自動特徴抽出において優れているが、時間領域と周波数領域の情報の統合は未解決のままである。 本研究では,Fourier の原理を直接 CNN 層に埋め込むことにより,時間周波数解析を統一する新しいアーキテクチャである Convolutional Fourier Analysis Network (CFAN) を紹介する。 CFANをスペクトルベース2D CNN(SPECT)、1D CNN(CNN1D)、フーリエベース1D CNN(FFT1D)、CNN1Dと統合されたフーリエ分析ネットワーク(CNN1D-FAN)の4つのベンチマークと比較し、不整脈分類(MIT-BIH)、アイデンティティ認識(ECG-ID)、無呼吸検出(Apnea-ECG)の3つのECGタスクに対して評価した。 CFANは最先端のパフォーマンスを達成し、98.95%(MIT-BIH)、96.83%(ECG-ID)、95.01%(Apnea-ECG)と競合する全ての手法を上回った。 特にECG-IDとApnea-ECGでは、CFANは第2ベスト法(CNN1D-FAN, $p \leq 0.02$)よりも統計的に有意な改善を示し、さらに優れた性能を示した。 主要な革新としては、シン、コサイン、GELUの活性化を畳み込み層に組み合わせたCONV-FANブロックがある。 本研究は,生物医学・信号分類分野におけるCFANの可能性を明らかにするものである。

関連論文リスト

• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [2.7699831151653305]
  本稿では,診療所における低コストシステムを用いた心疾患の迅速かつ効率的な診断方法を提案する。 LSCNネットワークによる心臓音の総合的分類精度は96%以上である。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• Towards small and accurate convolutional neural networks for acoustic biodiversity monitoring [0.0]
  CNNは推論時に高速で、優れた分類性能を実現する。 熱帯雨林の生態系からの録音が使用された。 RF持続時間は分類性能の主要な要因であった。
  論文  参考訳（メタデータ） (2023-12-06T18:34:01Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Spectral Cross-Domain Neural Network with Soft-adaptive Threshold Spectral Enhancement [12.837935554250409]
  スペクトルクロスドメインニューラルネットワーク(SCDNN)という新しいディープラーニングモデルを提案する。 同時に、ニューラルネットワーク内のスペクトル領域と時間領域に埋め込まれたキー情報を明らかにする。 提案するSCDNNは、パブリックECGデータベースの textitPTB-XL と textitMIT-BIH に実装されたいくつかの分類タスクでテストされる。
  論文  参考訳（メタデータ） (2023-01-10T14:23:43Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Time-Frequency Analysis based Deep Interference Classification for Frequency Hopping System [2.8123846032806035]
  干渉分類は、認証された通信システムを保護する上で重要な役割を果たす。 本稿では,周波数ホッピング通信システムにおける干渉分類問題について述べる。 周波数ホッピング系における多重干渉の可能性を考慮すると、線形および双線形変換に基づく複合時間周波数解析法が採用されている。
  論文  参考訳（メタデータ） (2021-07-21T14:22:40Z)
• Frequency Gating: Improved Convolutional Neural Networks for Speech Enhancement in the Time-Frequency Domain [37.722450363816144]
  本稿では、CNNのカーネルの乗算重みを計算するために、周波数ゲーティングと呼ばれる手法を提案する。 スキップ接続を用いたオートエンコーダニューラルネットワークの実験では、局所的および周波数的にゲーティングの両方がベースラインを上回っている。 拡張短時間客観的インテリジェンススコア(ESTOI)に基づく損失関数を導入し、標準平均二乗誤差(MSE)損失関数より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-08T22:04:00Z)
• A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
  デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。 以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。 クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
  論文  参考訳（メタデータ） (2020-11-03T03:27:18Z)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)

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。