論文の概要: Dense Neural Network Based Arrhythmia Classification on Low-cost and Low-compute Micro-controller
- arxiv url: http://arxiv.org/abs/2504.03531v1
- Date: Fri, 04 Apr 2025 15:30:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-07 14:49:10.324033
- Title: Dense Neural Network Based Arrhythmia Classification on Low-cost and Low-compute Micro-controller
- Title（参考訳）: 低コスト・低コストマイクロコントローラを用いた高密度ニューラルネットワークによる不整脈分類
- Authors: Md Abu Obaida Zishan, H M Shihab, Sabik Sadman Islam, Maliha Alam Riya, Gazi Mashrur Rahman, Jannatun Noor,
- Abstract要約: Arduino Nano上で不整脈を検出するために高密度ニューラルネットワークが開発された。
モデルのサイズは1.267KBで、4種類の不整脈を分類するためのF1スコア(マクロ平均)は78.3%、精度は96.38%、浮動小数点演算の0.001314 MOpsを必要とする。
- 参考スコア（独自算出の注目度）: 1.0015171648915433
- License:
- Abstract: The electrocardiogram (ECG) monitoring device is an expensive albeit essential device for the treatment and diagnosis of cardiovascular diseases (CVD). The cost of this device typically ranges from $2000 to $10000. Several studies have implemented ECG monitoring systems in micro-controller units (MCU) to reduce industrial development costs by up to 20 times. However, to match industry-grade systems and display heartbeats effectively, it is essential to develop an efficient algorithm for detecting arrhythmia (irregular heartbeat). Hence in this study, a dense neural network is developed to detect arrhythmia on the Arduino Nano. The Nano consists of the ATMega328 microcontroller with a 16MHz clock, 2KB of SRAM, and 32KB of program memory. Additionally, the AD8232 SparkFun Single-Lead Heart Rate Monitor is used as the ECG sensor. The implemented neural network model consists of two layers (excluding the input) with 10 and four neurons respectively with sigmoid activation function. However, four approaches are explored to choose the appropriate activation functions. The model has a size of 1.267 KB, achieves an F1 score (macro-average) of 78.3\% for classifying four types of arrhythmia, an accuracy rate of 96.38%, and requires 0.001314 MOps of floating-point operations (FLOPs).
- Abstract（参考訳）: 心電図(ECG)モニタリング装置は、心血管疾患(CVD)の治療及び診断に要する高価な手段である。
この装置の価格は一般的に2000ドルから10000ドルである。
マイクロコントローラユニット(MCU)にECGモニタリングシステムを導入し、工業開発コストを最大20倍に削減した。
しかし、業界レベルのシステムに適合し、心拍を効果的に表示するためには、不整脈(不整脈)を検出するための効率的なアルゴリズムを開発することが不可欠である。
そこで本研究では,Arduino Nano上での不整脈を検出するために,高密度ニューラルネットワークを開発した。
Nanoは、16MHzのクロックと2KBのSRAM、32KBのプログラムメモリを備えたATMega328マイクロコントローラで構成されている。
さらに、AD8232 SparkFunシングルリード心拍モニターがECGセンサーとして使用されている。
実装されたニューラルネットワークモデルは、それぞれ10と4のニューロンとシグモイド活性化機能を持つ2つの層(入力を除く)から構成される。
しかし、適切なアクティベーション関数を選択するために4つのアプローチが検討されている。
モデルのサイズは1.267KBで、4種類の不整脈を分類するためのF1スコア(マクロ平均)78.3\%、精度96.38%、浮動小数点演算の0.001314 MOpsを必要とする。
関連論文リスト
- AmpliNetECG12: A lightweight SoftMax-based relativistic amplitude amplification architecture for 12 lead ECG classification [0.0]
本研究では,心臓の異常を迅速かつ正確に診断することを目的とした,新しいディープラーニングアーキテクチャを提案する。
我々は、ECG偏向の可視性を改善するために、aSoftMaxと呼ばれる新しいアクティベーション関数を考案した。
心臓疾患の診断では84%の異常な精度が得られた。
論文 参考訳（メタデータ） (2024-11-21T07:28:24Z) - ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
心筋梗塞の診断にはECG--NETが有用である。
OMIは1つ以上の冠動脈の完全閉塞を特徴とする重度の心臓発作である。
OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。
論文 参考訳（メタデータ） (2024-05-08T19:59:16Z) - 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) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳（メタデータ） (2022-08-22T22:01:44Z) - Arrhythmia Classifier using Binarized Convolutional Neural Network for
Resource-Constrained Devices [4.36031697142651]
ECGモニタリングに適した二元化畳み込みニューラルネットワークを提案する。
ハードウェアフレンドリーで、リソースに制約のあるウェアラブルデバイスでの使用に適している。
計算速度は12.65倍、ストレージ圧縮比は24.8倍であり、メモリオーバーヘッドの4分の1しか必要としない。
論文 参考訳（メタデータ） (2022-05-07T14:21:32Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - 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) - ECG-TCN: Wearable Cardiac Arrhythmia Detection with a Temporal
Convolutional Network [14.503893070243585]
シングルリード心電図信号は、心不整脈を検出、分類、予測する能力を提供する。
ウェアラブルプラットフォームでの利用が可能でありながら、高い精度を実現する新しい時間的畳み込みネットワーク(TCN)を提案します。
論文 参考訳（メタデータ） (2021-03-25T10:39:54Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms
for Cardiac Arrhythmia Detection [0.18459705687628122]
マイクロコントローラと低消費電力プロセッサで動作するニューラルネットワークの推論に焦点を当てる。
心不整脈を検出・分類するために既存の畳み込みリカレントニューラルネットワークを適用した。
メモリフットプリントは195.6KB、スループットは33.98MOps/sである。
論文 参考訳（メタデータ） (2020-01-08T10:35:48Z)
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。