Evolutionary Optimization of 1D-CNN for Non-contact Respiration Pattern Classification

要約

この研究では、時系列呼吸データ分類のための深層学習ベースのアプローチを紹介します。
このデータセットには、非接触インコヒーレント光波センシング (LWS) 技術によって取得された、規則的な呼吸パターンとさまざまな形態の異常な呼吸が含まれています。
データの一次元 (1D) の性質を考慮して、分類の目的で 1D 畳み込みニューラル ネットワーク (1D-CNN) を採用しました。
遺伝的アルゴリズムを使用して 1D-CNN アーキテクチャを最適化し、分類精度を最大化しました。
複数の世代にわたる 1D-CNN のトレーニングに関連する計算の複雑さに対処するために、事前トレーニングされたモデルから転移学習を実装しました。
このアプローチにより、トレーニングに必要な計算時間が大幅に短縮され、最適化プロセスの効率が向上しました。
この研究は、正確かつ効率的な呼吸分類を通じて呼吸器異常の検出を強化するためのディープラーニング手法の潜在的な応用に関する貴重な洞察に貢献します。

要約(オリジナル)

In this study, we present a deep learning-based approach for time-series respiration data classification. The dataset contains regular breathing patterns as well as various forms of abnormal breathing, obtained through non-contact incoherent light-wave sensing (LWS) technology. Given the one-dimensional (1D) nature of the data, we employed a 1D convolutional neural network (1D-CNN) for classification purposes. Genetic algorithm was employed to optimize the 1D-CNN architecture to maximize classification accuracy. Addressing the computational complexity associated with training the 1D-CNN across multiple generations, we implemented transfer learning from a pre-trained model. This approach significantly reduced the computational time required for training, thereby enhancing the efficiency of the optimization process. This study contributes valuable insights into the potential applications of deep learning methodologies for enhancing respiratory anomaly detection through precise and efficient respiration classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google