論文の概要: H-Infinity Filter Enhanced CNN-LSTM for Arrhythmia Detection from Heart Sound Recordings

• arxiv url: http://arxiv.org/abs/2511.02379v1
• Date: Tue, 04 Nov 2025 09:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.864755
• Title: H-Infinity Filter Enhanced CNN-LSTM for Arrhythmia Detection from Heart Sound Recordings
• Title（参考訳）: 不整脈検出のためのH-Infinity Filter-Enhanced CNN-LSTM
• Authors: Rohith Shinoj Kumar, Rushdeep Dinda, Aditya Tyagi, Annappa B., Naveen Kumar M. R,
• Abstract要約: 心臓不整脈の早期発見は, 心疾患の重症化を予防する。 ディープラーニングは不整脈検出を自動化する強力なツールとして登場した。 CNN-H-Infinity-LSTMアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.7394388288509157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of heart arrhythmia can prevent severe future complications in cardiac patients. While manual diagnosis still remains the clinical standard, it relies heavily on visual interpretation and is inherently subjective. In recent years, deep learning has emerged as a powerful tool to automate arrhythmia detection, offering improved accuracy, consistency, and efficiency. Several variants of convolutional and recurrent neural network architectures have been widely explored to capture spatial and temporal patterns in physiological signals. However, despite these advancements, current models often struggle to generalize well in real-world scenarios, especially when dealing with small or noisy datasets, which are common challenges in biomedical applications. In this paper, a novel CNN-H-Infinity-LSTM architecture is proposed to identify arrhythmic heart signals from heart sound recordings. This architecture introduces trainable parameters inspired by the H-Infinity filter from control theory, enhancing robustness and generalization. Extensive experimentation on the PhysioNet CinC Challenge 2016 dataset, a public benchmark of heart audio recordings, demonstrates that the proposed model achieves stable convergence and outperforms existing benchmarks, with a test accuracy of 99.42% and an F1 score of 98.85%.
• Abstract（参考訳）: 心臓不整脈の早期発見は, 心疾患の重症化を予防する。 手動診断は依然として臨床標準であるが、視覚的解釈に大きく依存しており、本質的に主観的である。 近年,不整脈検出を自動化する強力なツールとしてディープラーニングが登場し,精度,一貫性,効率性が向上している。 畳み込みと繰り返しのニューラルネットワークアーキテクチャのいくつかの変種は、生理的信号の空間的パターンと時間的パターンを捉えるために広く研究されている。 しかしながら、これらの進歩にもかかわらず、現在のモデルは現実世界のシナリオにおいて、特にバイオメディカルな応用において一般的な課題である小さなデータセットやノイズの多いデータセットを扱う場合、うまく一般化するのに苦労することが多い。 本稿では,CNN-H-Infinity-LSTMアーキテクチャを提案する。 このアーキテクチャは、制御理論からH-Infinityフィルタにインスパイアされた訓練可能なパラメータを導入し、堅牢性と一般化を高める。 PhysioNet CinC Challenge 2016データセットの大規模な実験は、ハートオーディオ記録の公開ベンチマークであり、提案されたモデルが安定収束を達成し、テスト精度99.42%、F1スコア98.85%で既存のベンチマークを上回っていることを示している。

関連論文リスト

• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [7.136933021609078]
  本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。 まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。 第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• 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)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• Classification of ECG based on Hybrid Features using CNNs for Wearable Applications [2.0999222360659604]
  ハイブリッド機能と3つの異なるモデルを用いたECG分類の性能向上を示す。 この研究で提案されたRR間隔の特徴に基づくモデルでは、98.98%の精度が達成され、ベースラインモデルよりも改善された。 周波数特性とRR間隔特性を組み合わせた別のモデルが開発され、ノイズ環境下での良好な持続性能で99%の精度で達成された。
  論文  参考訳（メタデータ） (2022-06-14T12:14:40Z)
• 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)
• 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)

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。