文献

J-GLOBAL ID：202002258382248613   整理番号：20A1201776

モノに基づく心房細動検出システムのインターネットのロバスト性の検証【JST・京大機械翻訳】

Validating the robustness of an internet of things based atrial fibrillation detection system

著者 (6件)： Faust Oliver (Department of Engineering and Mathematics, Sheffield Hallam University, United Kingdom) ,  Kareem Murtadha (Department of Engineering and Mathematics, Sheffield Hallam University, United Kingdom) ,  Shenfield Alex (Department of Engineering and Mathematics, Sheffield Hallam University, United Kingdom) ,  Ali Ali (Sheffield Teaching Hospitals NHS Foundation Trust, University of Sheffield, United Kingdom) ,  Acharya U Rajendra (Ngee Ann Polytechnic, Singapore) ,  Acharya U Rajendra (Department of Bioinformatics and Medical Engineering, Asia University, Taiwan)
資料名： Pattern Recognition Letters  (Pattern Recognition Letters)
巻： 133  ページ： 55-61  発行年： 2020年 
JST資料番号： H0913A  ISSN： 0167-8655  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本論文では,モノのインターネット(IoT)に基づく健康管理応用のための深い学習モデルの検証について述べた。このように,深い学習モデルを作成し,心拍数(HR)信号を用いて,心房細動(AF)のエピソードを検出した。最初のLong Short-Tem Memory(LSTM)モデルを,PhysioNetに関するAFDBデータベースから得られた異なる被験者から20のデータセットを用いて開発した。このモデルは10倍交差検証で98.51%のAF検出精度を達成した。本研究では,未知データを用いて開発した深い学習モデルをテストすることにより,初期結果を検証した。具体的には,82人の被験者からのデータを深い学習システムに供給し,分類結果を人間の開業医により示された診断結果と比較した。検証結果は,96.58の受信者動作特性(ROC)曲線下面積で94%の精度を示した。これらの結果は,LSTMモデルが未知データから特徴マップを抽出でき,従ってAF期間を正確に検出できることを示した。このブラインド検証試験により,より多くのデータが試験に対するよりも訓練に使用されるべき学習システムに対する良く知られた設計ルールを違反した。そこで,実際的な状況では,診断支援システムは,限られた訓練データセットから抽出された知識を,患者からのHRトレースに適用しなければならないので,実際の展開に適していることを確立した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  データベース ,  心拍 ,  *心房細動 ,  健康管理 ,  *ロバスト性 ,  血中濃度-時間曲線下面積 ,  *インターネット
準シソーラス用語： 学習支援システム ,  開業医 ,  検出精度 ,  モノのインターネット , 【Automatic Indexing@JST】

著者キーワード (5件)： モノの知的インターネット ,  深層学習 ,  心房細動 ,  心拍数 ,  失明検証

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 心房細動 ,  検出システム ,  インターネット ,  ロバスト性 ,  検証