論文の概要: Deep learning-based detection of cessation of breathing in pre-term infants

• arxiv url: http://arxiv.org/abs/2606.23213v1
• Date: Mon, 22 Jun 2026 11:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 23:19:34.467837
• Title: Deep learning-based detection of cessation of breathing in pre-term infants
• Title（参考訳）: 幼児期における深層学習による呼吸停止の検出
• Authors: Dineo Serame, Lionel Tarassenko, Mauricio Villarroel,
• Abstract要約: 未熟児のアプノエアは、定期的に監視される生理的信号を用いて確実に検出することは困難である。 深層学習に基づくアプノエア関連BrEathing事象の検出について検討した。
• 参考スコア（独自算出の注目度）: 1.8148201112091653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Apnoea of prematurity is characterised by recurrent episodes of cessation of breathing and remains difficult to detect reliably using routinely monitored physiological signals in the Neonatal Intensive Care Unit (NICU). Existing bedside monitors rely primarily on respiratory rate and oxygen saturation thresholds, often generating high false-positive alarm rates and missing short or irregular events. Improving automated detection using routinely acquired clinical signals could enhance identification of clinically meaningful events without additional sensing hardware. We evaluated deep learning-based detection of apnoea-related Cessation Of BrEathing (COBE) events using impedance pneumography (IP), electrocardiography (ECG), and photoplethysmography (PPG) signals from approximately 430 hours of NICU recordings collected from 24 pre-term infants. Three independent reviewers annotated COBE events, producing a dataset of 346 COBE and 608 non-COBE events. We compared a shallow convolutional neural network (CNN), residual networks (ResNets), and a ConvNeXt architecture using an independent held-out test set. Across all architectures, detection performance was influenced more strongly by signal modality than by architectural complexity. Unimodal IP-based models achieved balanced accuracies of 86.8-88.0%, outperforming ECG-derived (62.6-69.7%) and PPG-derived (65.1-66.4%) respiratory surrogates. Multimodal fusion yielded modest improvements over IP alone. The best-performing model, a ConvNeXt architecture combining IP and PPG inputs, achieved 88.7% balanced accuracy and an F1 score of 0.75 on the independent test set. These findings demonstrate that deep learning models applied to routinely monitored NICU signals can reliably detect COBE events and highlight the importance of signal modality in data-constrained neonatal monitoring settings.
• Abstract（参考訳）: 未熟児の無症候は呼吸停止を繰り返したエピソードによって特徴づけられ、新生児集中治療室(NICU)で定期的に監視される生理的信号を用いて確実に検出することは困難である。 既存のベッドサイドモニターは、主に呼吸速度と酸素飽和閾値に依存しており、しばしば偽陽性のアラーム率が高く、短いまたは不規則な事象が欠落する。 日常的に取得された臨床信号による自動検出の改善は、追加のセンサーハードウェアを使わずに、臨床的に意味のある事象の同定を促進する可能性がある。 乳児24名から収集したNICU記録の約430時間から,IP,心電図,光胸腔造影(PPG)信号を用いて深層学習に基づく無呼吸関連脳卒中(COBE)事象の検出を行った。 3人の独立したレビュアーがCOBEイベントに注釈を付け、346のCOBEと608の非COBEイベントのデータセットを生成した。 我々は、独立したホールドアウトテストセットを用いて、浅い畳み込みニューラルネットワーク(CNN)、残留ネットワーク(ResNet)、およびConvNeXtアーキテクチャを比較した。 全てのアーキテクチャにおいて、検出性能はアーキテクチャの複雑さよりも信号のモダリティに強く影響された。 一様IPベースのモデルは86.8-88.0%のバランスの取れた精度を達成し、ECG由来(62.6-69.7%)とPSG由来(65.1-66.4%)の呼吸サロゲートを上回った。 マルチモーダル核融合はIP単独よりもわずかに改善された。 最高のパフォーマンスモデルは、IPとPSGの入力を組み合わせたConvNeXtアーキテクチャであり、88.7%の精度と独立したテストセットでのF1スコアが0.75である。 これらの結果から,日常的に監視されるNICU信号に適用された深層学習モデルは,COBE事象を確実に検出し,データ制約された新生児モニタリング設定における信号モダリティの重要性を強調している。

関連論文リスト

• SigmaMedStat: Temporal Signal Modeling for ICU False Alarm Reduction [0.0]
  本稿では,臨床行動の前に生理的アラーム信号の信頼性を評価する機械学習システムであるSigmaMedStatについて述べる。 The PhysioNet/Computing in Cardiology Challenge 2015 data of 498 four-channel ICU alarm recordings。
  論文  参考訳（メタデータ） (2026-05-28T01:52:05Z)
• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• Atrial Fibrillation Detection Using Machine Learning [3.5522386235856582]
  心房細動(AF)は、一般的な不整脈であり、虚血性脳卒中の主要な危険因子である。 本稿では,ECG信号とECG信号の同時検出のための10倍の機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-20T07:30:08Z)
• 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)
• Lightweight Classifier for Detecting Intracranial Hemorrhage in Ultrasound Data [0.5461938536945722]
  外傷性脳損傷(TBI)に続発する頭蓋内出血(ICH)は重要な診断課題である。 CT(Computed Tomography)やMRI(Magnetic Resonance Imaging)などの診断には、大きな限界がある。 超音波ティッシュパルサチリティイメージング(TPI)を用いた自動ICH検出のための機械学習手法の検討
  論文  参考訳（メタデータ） (2025-10-22T09:04:42Z)
• Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
  本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。 心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。 提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
  論文  参考訳（メタデータ） (2025-07-24T09:40:24Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
  尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
  論文  参考訳（メタデータ） (2025-02-18T12:01:55Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)

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。