Core Concepts
医療信号処理のための新しい効率的で解釈可能なアーキテクチャを提案し、光電容積脈波(PPG)アーティファクト検出と単一誘導心電図(ECG)心房細動検出の重要なタスクで優れた性能を示した。
Abstract
本研究では、医療信号処理のための新しい効率的で解釈可能なアーキテクチャを提案した。
提案手法は、医療時系列信号処理のための軽量で柔軟なカーネルを学習し、単一層のニューラルネットワークを構築する。
これにより、解釈可能性、効率性、堅牢性を提供する。
パラメータ削減手法を導入し、モデルサイズをさらに小さくした。
PPGアーティファクト検出とECG心房細動検出の2つの重要なタスクで、提案手法は最先端の深層学習モデルと同等以上の性能を示した。
PPGアーティファクト検出では、パラメータ数が従来手法の2%~50%と大幅に少なくても、99%以上の性能を達成した。
ECG心房細動検出では、パラメータ数が従来手法の1%未満でも同等の性能を示し、少データ環境でも優れた一般化性能を発揮した。
提案手法は、解釈可能性、効率性、堅牢性を兼ね備えており、特に低消費電力デバイスでの実時間アプリケーションに適している。
Stats
PPGアーティファクト検出タスクでは、提案手法の最大モデルが従来手法の2%~50%のパラメータ数で99%以上の性能を達成した。
ECG心房細動検出タスクでは、提案手法の最大モデルがResNet-16と同等の性能を示したが、パラメータ数は従来手法の1%未満であった。
少データ環境でも、提案手法は深層学習モデルよりも安定した性能を示した。