特徴注入を伴う自己操作ニューラルネットワークによるグローバルECG分類【JST・京大機械翻訳】

Zahid Muhammad Uzair; Kiranyaz Serkan; Gabbouj Moncef

プレプリント

J-GLOBAL ID：202202219745108543 整理番号：22P0328190

特徴注入を伴う自己操作ニューラルネットワークによるグローバルECG分類【JST・京大機械翻訳】

Global ECG Classification by Self-Operational Neural Networks with Feature Injection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年04月07日プレプリントサーバーでの情報更新日： 2022年05月29日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

目的:心電図(ECG)信号上の不整脈検出のためのグローバル(患者間)ECG分類は,ヒトと機械の両方にとって挑戦的な仕事である。主な理由は,患者の正常および不整脈ECGパターンの両方の有意な変動である。したがって,このプロセスを最大精度で自動化することは,ウェアラブルECGセンサの出現により非常に望ましい。しかし,最近提案された多数の深い学習アプローチでさえ,グローバルおよび患者特有のECG分類性能の性能に,まだ顕著なギャップがある。本研究では,このギャップを狭めて,浅くてコンパクトな1D自己組織化操作ニューラルネットワーク(Self-ONN)を有する実時間解を提案する新しい方法を提案した。方法:本研究では,心臓サイクルにおける形態学的およびタイミング情報を利用することにより,コンパクトな1D自己ONNを用いた患者間ECG分類のための新しいアプローチを提案した。1D自己ONN層を用いてECGデータから形態学的表現を自動的に学習し,Rピーク周辺のECG波形の形状を捉えることを可能にした。さらに,タイミング特性化のためにRR間隔に基づく時間的特徴を注入する。したがって,分類層は最終不整脈分類のための時間的および学習的特徴の両方から利益を得ることができる。【結果】MIT-BIH不整脈ベンチマークデータベースを用いて,提案方法は,通常(N)セグメントに対して,99.21%の精度,99.10%の再現,および99.15%のF1スコアを達成した最も高い分類性能を達成した。上室異所性ビート(SVEB)の82.19%の精度,82.50%の再現,および82.34%のF1スコア;そして,最終的に,心室-異所性拍動(VEBs)に対して,94.41%の精度,96.10%の再現率,および95.2%のF1スコアであった。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

生体計測 , 循環系の診断

, , , , ,

前のページに戻る