論文の概要: DT4ECG: A Dual-Task Learning Framework for ECG-Based Human Identity Recognition and Human Activity Detection

• arxiv url: http://arxiv.org/abs/2502.11023v1
• Date: Sun, 16 Feb 2025 07:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:08:42.859294
• Title: DT4ECG: A Dual-Task Learning Framework for ECG-Based Human Identity Recognition and Human Activity Detection
• Title（参考訳）: DT4ECG:ECGに基づくヒューマンアイデンティティ認識とヒューマンアクティビティ検出のためのデュアルタスク学習フレームワーク
• Authors: Siyu You, Boyuan Gu, Yanhui Yang, Shiyu Yu, Shisheng Guo,
• Abstract要約: 本稿では、心電図に基づく人物識別と活動検出のための革新的なデュアルタスク学習フレームワークDT4ECGを紹介する。 このフレームワークは、残留ブロックと統合された堅牢な1次元畳み込みニューラルネットワーク(1D-CNN)を用いて、識別ECGの特徴を抽出する。 その結果,ID分類では99.12%,活動分類では90.11%の精度が得られた。
• 参考スコア（独自算出の注目度）: 2.3238396447516108
• License:
• Abstract: This article introduces DT4ECG, an innovative dual-task learning framework for Electrocardiogram (ECG)-based human identity recognition and activity detection. The framework employs a robust one-dimensional convolutional neural network (1D-CNN) backbone integrated with residual blocks to extract discriminative ECG features. To enhance feature representation, we propose a novel Sequence Channel Attention (SCA) mechanism, which combines channel-wise and sequential context attention to prioritize informative features across both temporal and channel dimensions. Furthermore, to address gradient imbalance in multi-task learning, we integrate GradNorm, a technique that dynamically adjusts loss weights based on gradient magnitudes, ensuring balanced training across tasks. Experimental results demonstrate the superior performance of our model, achieving accuracy rates of 99.12% in ID classification and 90.11% in activity classification. These findings underscore the potential of the DT4ECG framework in enhancing security and user experience across various applications such as fitness monitoring and personalized healthcare, thereby presenting a transformative approach to integrating ECG-based biometrics in everyday technologies.
• Abstract（参考訳）: 本稿では、心電図に基づく人物識別と活動検出のための革新的なデュアルタスク学習フレームワークDT4ECGを紹介する。 このフレームワークは、残留ブロックと統合された堅牢な1次元畳み込みニューラルネットワーク(1D-CNN)を用いて、識別ECGの特徴を抽出する。 特徴表現を強化するために,チャネルワイドとシーケンシャルなコンテキストアテンションを組み合わせた新しいSCA機構を提案し,時間的・チャネル的両次元にまたがる情報的特徴を優先する。 さらに、マルチタスク学習における勾配不均衡に対処するために、グラッドノーム(GradNorm)を統合する。 その結果,ID分類では99.12%,活動分類では90.11%の精度が得られた。 これらの知見は、フィットネス監視やパーソナライズされた医療など、さまざまなアプリケーションにおけるセキュリティとユーザエクスペリエンスの向上において、DT4ECGフレームワークの可能性を浮き彫りにした。

関連論文リスト

• Cardiac Evidence Backtracking for Eating Behavior Monitoring using Collocative Electrocardiogram Imagining [12.019014491802952]
  本研究は,24時間ECGを用いて,アドホックかつ解釈可能な検出のための高度な深層学習を検知・調整するためのパイロット研究である。 提案手法の有効性は,従来のモデルよりも優れた食行動のECGデータセット上で検証されている。
  論文  参考訳（メタデータ） (2025-02-20T10:27:19Z)
• C-MELT: Contrastive Enhanced Masked Auto-Encoders for ECG-Language Pre-Training [10.088785685439134]
  本稿では,コントラッシブマスクを用いた自動エンコーダアーキテクチャを用いて,ECGとテキストデータを事前学習するフレームワークであるC-MELTを提案する。 C-MELTは、生成性の強さと識別能力の強化を一意に組み合わせて、堅牢なクロスモーダル表現を実現する。
  論文  参考訳（メタデータ） (2024-10-03T01:24:09Z)
• ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
  ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。 我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
  論文  参考訳（メタデータ） (2024-09-19T06:14:30Z)
• CycleHOI: Improving Human-Object Interaction Detection with Cycle Consistency of Detection and Generation [37.45945633515955]
  本稿では,人間と物体の相互作用(HOI)の検出性能を高めるために,CycleHOIという新しい学習フレームワークを提案する。 我々の鍵となる設計は、HOI検出器のトレーニングのための新しいサイクル整合性損失を導入することである。 我々は,CycleHOIの有効性と一般化力を検証するための広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-07-16T06:55:43Z)
• ECG Semantic Integrator (ESI): A Foundation ECG Model Pretrained with LLM-Enhanced Cardiological Text [14.06147507373525]
  本研究は,12誘導ECG信号の学習表現の品質とロバスト性の向上を目的とした,新しいマルチモーダルコントラスト保持フレームワークを提案する。 私たちのフレームワークは、Cardio Query Assistant(CQA)とECG Semantics Integrator(ESI)の2つの重要なコンポーネントで構成されています。
  論文  参考訳（メタデータ） (2024-05-26T06:45:39Z)
• 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)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on Continual Learning [20.465733855762835]
  心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。 古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。 本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-10T15:19:00Z)
• SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
  入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。 注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
  論文  参考訳（メタデータ） (2022-10-31T07:36:48Z)
• 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)
• Self-supervised ECG Representation Learning for Emotion Recognition [25.305949034527202]
  我々は心電図に基づく感情認識のための自己教師型深層マルチタスク学習フレームワークを利用する。 提案手法は,完全教師付き学習を用いて学習したネットワークと比較して,性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-02-04T17:15:37Z)

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。