論文の概要: DE-PADA: Personalized Augmentation and Domain Adaptation for ECG Biometrics Across Physiological States

• arxiv url: http://arxiv.org/abs/2502.04973v1
• Date: Fri, 07 Feb 2025 14:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:56:03.225126
• Title: DE-PADA: Personalized Augmentation and Domain Adaptation for ECG Biometrics Across Physiological States
• Title（参考訳）: DE-PADA: 生理状態全体にわたる心電図バイオメトリックスのためのパーソナライズされた拡張とドメイン適応
• Authors: Amro Abu Saleh, Elliot Sprecher, Kfir Y. Levy, Daniel H. Lange,
• Abstract要約: パーソナライズされた拡張とドメイン適応を備えたデュアルエキスパートモデルであるDE-PADAを提案する。 このモデルは、エクササイズデータに直接露出することなく、主に安静状態データに基づいて訓練されている。 トロント大学ECGデータベースの実験では、モデルの有効性が示されている。
• 参考スコア（独自算出の注目度）: 6.857781758172894
• License:
• Abstract: Electrocardiogram (ECG)-based biometrics offer a promising method for user identification, combining intrinsic liveness detection with morphological uniqueness. However, elevated heart rates introduce significant physiological variability, posing challenges to pattern recognition systems and leading to a notable performance gap between resting and post-exercise conditions. Addressing this gap is critical for advancing ECG-based biometric systems for real-world applications. We propose DE-PADA, a Dual Expert model with Personalized Augmentation and Domain Adaptation, designed to enhance robustness across diverse physiological states. The model is trained primarily on resting-state data from the evaluation dataset, without direct exposure to their exercise data. To address variability, DE-PADA incorporates ECG-specific innovations, including heartbeat segmentation into the PQRS interval, known for its relative temporal consistency, and the heart rate-sensitive ST interval, enabling targeted feature extraction tailored to each region's unique characteristics. Personalized augmentation simulates subject-specific T-wave variability across heart rates using individual T-wave peak predictions to adapt augmentation ranges. Domain adaptation further improves generalization by leveraging auxiliary data from supplementary subjects used exclusively for training, including both resting and exercise conditions. Experiments on the University of Toronto ECG Database demonstrate the model's effectiveness. DE-PADA achieves relative improvements in post-exercise identification rates of 26.75% in the initial recovery phase and 11.72% in the late recovery phase, while maintaining a 98.12% identification rate in the sitting position. These results highlight DE-PADA's ability to address intra-subject variability and enhance the robustness of ECG-based biometric systems across diverse physiological states.
• Abstract（参考訳）: 心電図(ECG)に基づく生体計測は,本質的な生存度検出と形態学的特異性を組み合わせた,ユーザ識別のための有望な手法を提供する。 しかし、心拍数の増加は生理的多様性を著しく引き起こし、パターン認識システムに挑戦し、安静状態と運動後状態の間に顕著なパフォーマンスギャップを生じさせる。 このギャップに対処することは、現実世界のアプリケーションのためのECGベースの生体認証システムを進める上で重要である。 我々は,多種多様な生理状態における堅牢性を高めるために,パーソナライズAugmentationとDomain Adaptationを併用したデュアルエキスパートモデルDE-PADAを提案する。 モデルは、主に、トレーニングデータに直接露出することなく、評価データセットからの安静状態データに基づいてトレーニングされる。 変動性に対処するため、DE-PADAは心電図固有の革新を取り入れており、相対的時間的整合性で知られるPQRSインターバルと、各領域の固有の特徴に合わせたターゲット特徴抽出を可能にする心拍感受性STインターバルに、心拍セグメンテーションが組み込まれている。 パーソナライズされた拡張は、個別のT波ピーク予測を用いて、心拍数に比例したT波変動をシミュレートし、拡張範囲を適応させる。 ドメイン適応は、安静と運動条件の両方を含むトレーニング専用の補助データを活用することで、一般化をさらに改善する。 トロント大学ECGデータベースの実験では、モデルの有効性が示されている。 DE-PADAは、初期回復期では26.75%、後期回復期では11.72%であり、座位では98.12%である。 これらの結果は、DEC-PADAが物体内変動に対処し、様々な生理状態にまたがるECGベースの生体計測システムの堅牢性を高める能力を強調した。

関連論文リスト

• rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
  本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。 提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
  論文  参考訳（メタデータ） (2024-10-09T11:17:02Z)
• SSSD-ECG-nle: New Label Embeddings with Structured State-Space Models for ECG generation [0.0]
  拡散モデルは近年大きく進歩し、実際のモデルに匹敵するデータを合成する可能性を生み出している。 本稿では,SSSD-ECGに基づくSSSD-ECG-nleアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-07-15T16:31:25Z)
• Amplitude-Phase Fusion for Enhanced Electrocardiogram Morphological Analysis [5.829027334954726]
  本稿では,新しい融合エントロピー計量であるモルフォロジーECGエントロピー(EE)を初めて提案する。 EEは異常心電図不整脈領域の迅速かつ正確かつラベルフリーな局在を実現する。 EEは品質の悪い領域を記述する能力を示す。
  論文  参考訳（メタデータ） (2024-04-15T12:29:16Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Two-stream Network for ECG Signal Classification [3.222802562733787]
  本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。 本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。 MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
  論文  参考訳（メタデータ） (2022-10-05T08:14:51Z)
• Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
  コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。 我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。 提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
  論文  参考訳（メタデータ） (2022-04-07T22:49:18Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)
• 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)

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。