論文の概要: Comparing Spectrogram Front-Ends for Abnormal Heart-Sound Detection with a Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2607.16220v1
- Date: Fri, 12 Jun 2026 21:37:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.039899
- Title: Comparing Spectrogram Front-Ends for Abnormal Heart-Sound Detection with a Convolutional Neural Network
- Title（参考訳）: 畳み込みニューラルネットワークを用いた異常心音検出のためのスペクトログラムフロントエンドの比較
- Abstract要約: 心臓病は多くの人々を殺し、早期にそれをキャッチする方法の1つは、聴診器で心臓の音を聞くことだ。
このプロジェクトは、誰かの心拍の短いクリップを撮って、正常に聞こえるか異常に聞こえるかを決めます。
通常のログメルスペクトログラム、PCEN、いくつかの異なるウィンドウサイズを積み重ねたマルチ解像度バージョンという3つの方法を試しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart disease kills a lot of people, and one cheap way to catch it early is by listening to heart sounds with a stethoscope, or better yet, just recording them and running them through a model. This project is a binary classification task: take a short clip of someones heartbeat and decide if it sounds normal or abnormal. Instead of trying out a bunch of different models, we kept the CNN the same the whole time and just changed how we turned the raw audio into a picture for it to look at. We tried three ways of doing that: a regular logmel spectrogram, PCEN (which basically normalizes each frequency bin over time), and a multi resolution version that stacks a few different window sizes together. We ran all three on the PhysioNet 2016 heart-sound dataset with the exact same setup but same model, same optimizer, same random seed. Turns out all three do pretty well at catching abnormal cases (sensitivity around 0.95), but PCEN and multi-resolution both edge out the plain logmel on the official PhysioNet accuracy metric (0.915 and 0.916 vs. 0.910). We also ran Grad-CAM to see where the model was actually looking, and it mostly focused on the low frequencies where S1 and S2 heart sounds live, which is a good sign that it learned something real
- Abstract（参考訳）: 心臓病は多くの人々を殺し、それを捕まえるための安上がりな方法は、聴診器で心臓の音を聞くことだ。
このプロジェクトはバイナリ分類タスクで、誰かの心拍の短いクリップを撮って、正常に聞こえるか異常に聞こえるかを決めます。
さまざまなモデルを試す代わりに、私たちはCNNをずっと同じ状態にして、生のオーディオを写真に変える方法を変えました。
通常のログメルスペクトログラム、PCEN(基本的に時間とともに各周波数ビンを正規化する)、いくつかの異なるウィンドウサイズをまとめて積み重ねるマルチ解像度バージョンという3つの方法を試しました。
PhysioNet 2016のハートサウンドデータセットで、同じセットアップだが同じモデル、同じオプティマイザ、同じランダムシードで3つすべてを実行しました。
しかしPCENとマルチレゾリューションは、公式のPhystoNetの精度測定値(0.915と0.916対0.910)で通常のログメルを外している。
Grad-CAMは、S1とS2の心臓の音が生えている低周波に焦点を合わせており、実際に何かを学んだことを示す良い兆候だ。
関連論文リスト
- Transformer-Guided Graph Attention for Direct Cardiac Mesh Reconstruction: A Structural Digital Twin Framework [0.0]
私たちは、生の3D医療画像からスムーズでシミュレーション可能な心臓表面メッシュまで、単一のエンドツーエンドネットワークをトレーニングします。
コアは3D Swin Transformer Encoder-decoderで、CTまたはMRIボリュームから体積的特徴を抽出し、グラフ注意ネットワークヘッドと組み合わせて、反復的にテンプレートメッシュを変形して患者の心臓境界に適合させる。
すべてのメッシュは単一のフォワードパスで生成されます -- マーチングキューブもスムーズなフィルタも手作業によるクリーンアップも不要です。
論文 参考訳（メタデータ） (2026-06-11T10:55:55Z) - A Closer Look at Neural Codec Resynthesis: Bridging the Gap between Codec and Waveform Generation [65.05719674893999]
トークン予測と回帰に基づく2つの戦略について検討し,Schr"odinger Bridgeに基づく新しい手法を提案する。
異なるデザイン選択が機械と人間の知覚にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2024-10-29T18:29:39Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Enhanced Heart Sound Classification Using Mel Frequency Cepstral Coefficients and Comparative Analysis of Single vs. Ensemble Classifier Strategies [8.71882324767316]
本稿では,Mel Frequency Cepstral Coefficients (MFCCs) の有用性について検討した。
単一分類法とアンサンブル分類法という2つの分類法が用いられた。
精度はSVMでは93.59%、kNNでは91.84%、アンサンブル分類戦略では92.22%であった。
論文 参考訳（メタデータ） (2024-06-02T10:45:30Z) - Target before Shooting: Accurate Anomaly Detection and Localization
under One Millisecond via Cascade Patch Retrieval [49.45246833329707]
異常検出(AD)の「マッチング」性を再検討する
本稿では,ADの精度と実行速度を同時に向上する新しいADフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-13T11:49:05Z) - Searching for Effective Neural Network Architectures for Heart Murmur
Detection from Phonocardiogram [5.183688633606942]
George B. Moody PhysioNet Challenge 2022は、超音波心電図(PCGs)による心室検出と心機能異常の同定の問題を提起した。
この研究は、我々のチームであるRevengerがこれらの問題を解決するために開発した新しいアプローチについて述べます。
論文 参考訳（メタデータ） (2023-03-06T09:31:42Z) - Listen to your heart: A self-supervised approach for detecting murmur in
heart-beat sounds [5.646552059494488]
心臓の大腿骨は心臓の鼓動に異常な音であり、心臓を流れる乱流の血流によって引き起こされる。
PhysioNet 2022チャレンジは、心臓のオーディオ記録から大腿骨の自動検出を目標としている。
本研究への参加は, 大腿骨発見における自己教師型学習の有効性について検討する。
論文 参考訳（メタデータ） (2022-08-31T13:25:04Z) - A Visual Domain Transfer Learning Approach for Heartbeat Sound
Classification [0.0]
心臓病は人間の死亡の最も一般的な理由であり、世界中で約3分の1が死亡している。
疾患の早期発見は患者の生存率を高め、心臓病の徴候を早期に検出する方法がいくつかある。
本研究は、クリーン化および正規化された心音を視覚メルスケールスペクトログラムに変換し、視覚領域変換学習手法を用いて、心音の特徴を自動的に抽出し分類することを提案する。
論文 参考訳（メタデータ） (2021-07-28T09:41:38Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural
Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。
最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文 参考訳（メタデータ） (2020-12-29T01:14:17Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z)
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。