論文の概要: SCG With Your Phone: Diagnosis of Rhythmic Spectrum Disorders in Field Conditions

• arxiv url: http://arxiv.org/abs/2601.13926v1
• Date: Tue, 20 Jan 2026 12:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.314045
• Title: SCG With Your Phone: Diagnosis of Rhythmic Spectrum Disorders in Field Conditions
• Title（参考訳）: 携帯電話によるSCG:フィールド条件におけるリズムスペクトラム障害の診断
• Authors: Peter Golenderov, Yaroslav Matushenko, Anastasia Tushina, Michal Barodkin,
• Abstract要約: スマートフォンで得られた加速度計記録を用いて,SCGセグメンテーションとリズム分析のための堅牢なディープラーニングフレームワークを提案する。 マルチスケールの畳み込み、残差接続、アテンションゲートを統合した拡張U-Net v3アーキテクチャを開発した。 専用の後処理パイプラインは、確率マスクを正確なAOタイムスタンプに変換する一方、新しい適応型3D-to-1Dプロジェクション方式は、任意のスマートフォンの向きに対して堅牢性を保証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aortic valve opening (AO) events are crucial for detecting frequency and rhythm disorders, especially in real-world settings where seismocardiography (SCG) signals collected via consumer smartphones are subject to noise, motion artifacts, and variability caused by device heterogeneity. In this work, we present a robust deep-learning framework for SCG segmentation and rhythm analysis using accelerometer recordings obtained with consumer smartphones. We develop an enhanced U-Net v3 architecture that integrates multi-scale convolutions, residual connections, and attention gates, enabling reliable segmentation of noisy SCG signals. A dedicated post-processing pipeline converts probability masks into precise AO timestamps, whereas a novel adaptive 3D-to-1D projection method ensures robustness to arbitrary smartphone orientation. Experimental results demonstrate that the proposed method achieves consistently high accuracy and robustness across various device types and unsupervised data-collection conditions. Our approach enables practical, low-cost, and automated cardiac-rhythm monitoring using everyday mobile devices, paving the way for scalable, field-deployable cardiovascular assessment and future multimodal diagnostic systems.
• Abstract（参考訳）: 大動脈弁開放(AO)イベントは、特に、消費者スマートフォンを介して収集された地震心電図(SCG)信号が、デバイスの不均一性によって引き起こされるノイズ、運動アーティファクト、変動を受ける現実の環境では、周波数やリズム障害を検出するのに不可欠である。 本研究では,スマートフォンで得られた加速度計記録を用いて,SCGセグメンテーションとリズム分析のための堅牢なディープラーニングフレームワークを提案する。 マルチスケールの畳み込み、残差接続、アテンションゲートを統合し、ノイズの多いSCG信号の信頼できるセグメンテーションを可能にする拡張されたU-Net v3アーキテクチャを開発した。 専用の後処理パイプラインは、確率マスクを正確なAOタイムスタンプに変換する一方、新しい適応型3D-to-1Dプロジェクション方式は、任意のスマートフォンの向きに対して堅牢性を保証する。 実験結果から,提案手法は様々なデバイスタイプおよび教師なしデータ収集条件に対して,一貫した精度とロバスト性を実現することが示された。 本手法により,日常的なモバイルデバイスを用いた実用的,低コスト,自動心リズムモニタリングが実現され,拡張性,フィールドデプロイザブルな心血管評価と将来的なマルチモーダル診断システムの実現が期待できる。

関連論文リスト

• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches [35.899401205042615]
  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。
  論文  参考訳（メタデータ） (2025-10-21T14:23:20Z)
• Versatile Cardiovascular Signal Generation with a Unified Diffusion Transformer [41.095491708125515]
  低品質な信号を再構成し、記録されていない信号を合成するマルチモーダル拡散変換器UniCardioを提案する。 心臓血管信号の相補的な性質を生かして、UniCardioは、近年のタスク固有のベースラインよりも明らかに優れている。 これらのアドバンテージは、UniCardioをAI支援ヘルスケアの前進のための有望な道と位置づけている。
  論文  参考訳（メタデータ） (2025-05-28T12:45:39Z)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• Revisiting VAE for Unsupervised Time Series Anomaly Detection: A Frequency Perspective [40.21603048003118]
  変分オートエンコーダ(VAE)は、より優れたノイズ除去能力のために近年人気を集めている。 FCVAEは、グローバルとローカルの両方の周波数特徴を条件付き変分オートエンコーダ(CVAE)の条件に同時に統合する革新的なアプローチを利用する 提案手法は, パブリックデータセットと大規模クラウドシステムを用いて評価され, その結果, 最先端の手法よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-02-05T09:06:57Z)
• Enhancing ECG Analysis of Implantable Cardiac Monitor Data: An Efficient Pipeline for Multi-Label Classification [0.0]
  植込み型心臓モニター(ICM)は、現在、移植型心臓デバイスで急速に成長している市場である。 ICMは患者の心拍リズムを常に監視し記録し、トリガーすると、医療専門家がそれをレビューできる安全なサーバーに送る。 本研究は,ICMデータの自動解析における課題と解決方法を示し,既存の手法よりも優れた分類法を提案する。
  論文  参考訳（メタデータ） (2023-07-12T12:49:18Z)
• Deep Learning-Based Arrhythmia Detection Using RR-Interval Framed Electrocardiograms [9.884633954053344]
  ディープラーニングは、生体認証セキュリティアプリケーションにおける個人認証を実現するために使用することができる。 我々は,連続したRピーク間の距離を表す時間スライスされた心電図データを用いた不整脈検出モデルを開発した。 この小型システムは、ウェアラブルデバイスやリアルタイム監視機器に実装することができる。
  論文  参考訳（メタデータ） (2020-12-01T09:10:24Z)
• A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
  本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。 提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
  論文  参考訳（メタデータ） (2020-04-24T23:41:41Z)
• 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。