論文の概要: Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches

• arxiv url: http://arxiv.org/abs/2510.18668v1
• Date: Tue, 21 Oct 2025 14:23:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.726978
• Title: Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches
• Title（参考訳）: マルチモードTiny-CNNによる心血管系センサパッチのプロトタイピング
• Authors: Mustafa Fuad Rifet Ibrahim, Tunc Alkanat, Maurice Meijer, Felix Manthey, Alexander Schlaefer, Peer Stelldinger,
• Abstract要約: 本稿では、バイナリ分類問題を解決するために、データの早期融合を伴う畳み込みニューラルネットワークを提案する。 提案手法は,最先端技術と比較してメモリフットプリントと計算コストを3桁削減する。
• 参考スコア（独自算出の注目度）: 35.899401205042615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The vast majority of cardiovascular diseases may be preventable if early signs and risk factors are detected. Cardiovascular monitoring with body-worn sensor devices like sensor patches allows for the detection of such signs while preserving the freedom and comfort of patients. However, the analysis of the sensor data must be robust, reliable, efficient, and highly accurate. Deep learning methods can automate data interpretation, reducing the workload of clinicians. In this work, we analyze the feasibility of applying deep learning models to the classification of synchronized electrocardiogram (ECG) and phonocardiogram (PCG) recordings on resource-constrained medical edge devices. We propose a convolutional neural network with early fusion of data to solve a binary classification problem. We train and validate our model on the synchronized ECG and PCG recordings from the Physionet Challenge 2016 dataset. Our approach reduces memory footprint and compute cost by three orders of magnitude compared to the state-of-the-art while maintaining competitive accuracy. We demonstrate the applicability of our proposed model on medical edge devices by analyzing energy consumption on a microcontroller and an experimental sensor device setup, confirming that on-device inference can be more energy-efficient than continuous data streaming.
• Abstract（参考訳）: 早期の徴候や危険因子が検出された場合、ほとんどの心血管疾患は予防できる可能性がある。 センサーパッチのような体縫いセンサーデバイスによる心臓血管のモニタリングは、患者の自由と快適さを保ちながら、そのような兆候を検出することができる。 しかし、センサデータの解析は堅牢で、信頼性があり、効率的で、高精度でなければならない。 深層学習法は、データ解釈を自動化し、臨床医の作業量を削減できる。 本研究は,心電図(ECG)と心電図(PCG)の分類における深層学習モデルの適用可能性について検討した。 本稿では、バイナリ分類問題を解決するために、データの早期融合を伴う畳み込みニューラルネットワークを提案する。 我々は、Physoronet Challenge 2016データセットから、同期ECGとPCGの記録に基づいてモデルをトレーニングし、検証する。 提案手法は,メモリフットプリントと計算コストを,競争精度を維持しつつ,最先端技術と比較して3桁の規模で削減する。 マイクロコントローラと実験センサ装置のセットアップを用いて,医療用エッジデバイスへの提案モデルの適用性を実証し,デバイス上での推論が連続的なデータストリーミングよりもエネルギー効率が高いことを確認する。

関連論文リスト

• Compact Neural Network Algorithm for Electrocardiogram Classification [0.0]
  不整脈の自動分類のための小型心電図システムを提案する。 このシステムはMIT-BIH不整脈データベース上で97.36%の精度を達成する。
  論文  参考訳（メタデータ） (2024-12-19T19:55:22Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection [43.905374104261014]
  そこで,本研究では,全電極から得られたデータに基づいて訓練された高度感応検知器(教師と呼ぶ)から知識を伝達し,新しい検出器(学生と呼ぶ)を学習するための新しい知識蒸留手法を提案する。 どちらも軽量な実装を提供しており、脳波を記録するのに必要な電極の数を大幅に削減している。 以上の結果から,脳波の少ない症例では,知識蒸留とパーソナライゼーションの両方が,発作検出の性能向上に重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-03T15:37:40Z)
• Efficient ECG-based Atrial Fibrillation Detection via Parameterised Hypercomplex Neural Networks [11.964843902569925]
  心房細動(英: atrial fibrillation、AF)は、脳卒中などの重篤な疾患のリスクが高い心不整脈である。 心電図(ECG)から自動的かつタイムリーなAFアセスメントを組み込んだウェアラブルデバイスは、生命を脅かす事態を防ぐ上で有望であることが示されている。 ディープニューラルネットワークは、モデルパフォーマンスにおいて優位性を示しており、彼らのウェアラブルデバイスでの使用は、モデルパフォーマンスと複雑性の間のトレードオフによって制限されている。
  論文  参考訳（メタデータ） (2022-10-27T14:24:48Z)
• Representing and Denoising Wearable ECG Recordings [12.378631176671773]
  ウェアラブルセンサから得られるECGの構造的ノイズ過程をシミュレートする統計モデルを構築した。 変動解析のためのビート・ツー・ビート表現を設計し,心電図を識別する因子分析に基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:33:11Z)
• Super Low Resolution RF Powered Accelerometers for Alerting on Hospitalized Patient Bed Exits [3.2654923574107357]
  転倒は重篤な結果であり、高齢者を介護する急性病院や老人ホームで流行している。転倒のリスクを軽減するための技術介入は、自動でベッドからのイベントを監視し、医療従事者にタイムリーな監視を提供するよう警告する。 患者活動に関連する周波数領域情報は, 主に低頻度で存在している。 無線周波数識別(RFID)技術を用いた電池レスセンシング方式について検討し,病院ガウンなどの衣服への便利な統合の可能性について検討した。
  論文  参考訳（メタデータ） (2020-03-19T00:58:30Z)
• DeepBeat: A multi-task deep learning approach to assess signal quality and arrhythmia detection in wearable devices [0.0]
  我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。 我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。 2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
  論文  参考訳（メタデータ） (2020-01-01T07:41:28Z)

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。