論文の概要: ECG-Adv-GAN: Detecting ECG Adversarial Examples with Conditional
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2107.07677v1
- Date: Fri, 16 Jul 2021 02:53:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-19 14:36:16.930604
- Title: ECG-Adv-GAN: Detecting ECG Adversarial Examples with Conditional
Generative Adversarial Networks
- Title(参考訳): ECG-Adv-GAN:条件付き生成逆数ネットワークによるECG逆数検出
- Authors: Khondker Fariha Hossain, Sharif Amit Kamran, Alireza Tavakkoli, Lei
Pan, Daniel Ma, Sutharshan Rajasegarar, Chandan Karmaker
- Abstract要約: ディープニューラルネットワークは、心電図信号を追跡するための一般的なテクニックとなり、人間の専門家より優れています。
GANアーキテクチャは、敵ECG信号を合成し、既存のトレーニングデータを増やすために近年研究されている。
本稿では,心電図信号を同時に生成し,心的異常を検出するための条件生成広告ネットワークを提案する。
- 参考スコア(独自算出の注目度): 4.250203361580781
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Electrocardiogram (ECG) acquisition requires an automated system and analysis
pipeline for understanding specific rhythm irregularities. Deep neural networks
have become a popular technique for tracing ECG signals, outperforming human
experts. Despite this, convolutional neural networks are susceptible to
adversarial examples that can misclassify ECG signals and decrease the model's
precision. Moreover, they do not generalize well on the out-of-distribution
dataset. The GAN architecture has been employed in recent works to synthesize
adversarial ECG signals to increase existing training data. However, they use a
disjointed CNN-based classification architecture to detect arrhythmia. Till
now, no versatile architecture has been proposed that can detect adversarial
examples and classify arrhythmia simultaneously. To alleviate this, we propose
a novel Conditional Generative Adversarial Network to simultaneously generate
ECG signals for different categories and detect cardiac abnormalities.
Moreover, the model is conditioned on class-specific ECG signals to synthesize
realistic adversarial examples. Consequently, we compare our architecture and
show how it outperforms other classification models in normal/abnormal ECG
signal detection by benchmarking real world and adversarial signals.
- Abstract(参考訳): 心電図(ECG)の取得には、特定のリズムの不規則を理解するための自動システムと分析パイプラインが必要である。
ディープニューラルネットワークは、ecg信号を追跡する一般的な技術となり、人間の専門家を上回っている。
それにもかかわらず、畳み込みニューラルネットワークは、ecg信号を誤分類し、モデルの精度を低下させる敵の例に影響を受けやすい。
さらに、アウトオブディストリビューションデータセットではうまく一般化されていない。
GANアーキテクチャは、敵のECG信号を合成し、既存のトレーニングデータを増やすために近年研究されている。
しかし、不整脈を検出するためにcnnベースの分類アーキテクチャを使用している。
現在、敵のサンプルを検出し不整脈を同時に分類できる汎用アーキテクチャは提案されていない。
そこで本研究では,異なるカテゴリの心電図信号を同時に生成し,心臓の異常を検知する条件生成適応ネットワークを提案する。
さらに,本モデルは,実例を合成するために,クラス固有のECG信号に条件付けされている。
その結果,本研究のアーキテクチャを比較検討し,実世界および逆境信号をベンチマークすることにより,正常/異常心電図信号検出における他の分類モデルに勝ることを示す。
関連論文リスト
- Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。
心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。
本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文 参考訳(メタデータ) (2024-10-08T10:03:52Z) - NERULA: A Dual-Pathway Self-Supervised Learning Framework for Electrocardiogram Signal Analysis [5.8961928852930034]
本稿では,シングルリードECG信号を対象とした自己教師型フレームワークNERULAを提案する。
NERULAのデュアルパスウェイアーキテクチャは、心電図再構成と非コントラスト学習を組み合わせて、詳細な心臓の特徴を抽出する。
学習スペクトルに生成経路と識別経路を組み合わせることで、様々なタスクにおいて最先端の自己教師付き学習ベンチマークより優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2024-05-21T14:01:57Z) - TSRNet: Simple Framework for Real-time ECG Anomaly Detection with
Multimodal Time and Spectrogram Restoration Network [9.770923451320938]
本稿では,異常検出を利用したトレーニング用心電図データのみを用いた不健康状態の同定手法を提案する。
本稿では,心電図信号の異常検出に特化して設計されたTSRNet(Multimodal Time and Spectrogram Restoration Network)を提案する。
論文 参考訳(メタデータ) (2023-12-15T20:27:38Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - PulseNet: Deep Learning ECG-signal classification using random
augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。
心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。
犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文 参考訳(メタデータ) (2023-05-17T09:06:39Z) - Leveraging Statistical Shape Priors in GAN-based ECG Synthesis [3.3482093430607267]
本稿では,GAN(Generative Adversarial Networks)と統計ECGデータモデリングを用いた新しいECG信号生成手法を提案する。
本手法では,ECG信号の複雑なダイナミックスに対処するため,ECGのダイナミックスに関する事前知識を活用して現実的な信号の合成を行う。
以上の結果から,ECG信号の時間的・振幅的変動を2次元形状としてモデル化した手法は,最先端のGANベースの生成ベースラインと比較して,より現実的な信号を生成することがわかった。
論文 参考訳(メタデータ) (2022-10-22T18:06:11Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - ECG-ATK-GAN: Robustness against Adversarial Attacks on ECG using
Conditional Generative Adversarial Networks [12.833916980261368]
ディープニューラルネットワーク(DNN)は、ECG信号を誤分類できる敵攻撃に対して脆弱である。
本稿では,敵の攻撃したECG信号に対して頑健な条件付き生成逆数ネットワーク(GAN)を提案する。
論文 参考訳(メタデータ) (2021-10-17T08:44:17Z) - Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
心電図(ECG)信号から心疾患を視覚的に検出することは困難である。
自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
論文 参考訳(メタデータ) (2020-11-12T04:20:56Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
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。