Fugu-MT 論文翻訳(概要): A Regularization Method to Improve Adversarial Robustness of Neural Networks for ECG Signal Classification

論文の概要: A Regularization Method to Improve Adversarial Robustness of Neural Networks for ECG Signal Classification

arxiv url: http://arxiv.org/abs/2110.09759v1
Date: Tue, 19 Oct 2021 06:22:02 GMT
ステータス: 処理完了
システム内更新日: 2021-10-20 13:18:27.519012
Title: A Regularization Method to Improve Adversarial Robustness of Neural Networks for ECG Signal Classification
Title（参考訳）: ECG信号分類のためのニューラルネットワークの逆ロバスト性向上のための正規化法
Authors: Linhai Ma and Liang Liang
Abstract要約: 心電図(Electrocardiogram、ECG)は、ヒトの心臓の状態をモニターする最も広く用いられる診断ツールである。 ECG信号のディープニューラルネットワーク(DNN)解釈は、患者の心臓の潜在的な異常を1秒で識別するために完全に自動化することができる。 DNNは、DNNの入力に微妙な変化をもたらす敵の雑音に対して非常に脆弱であり、間違ったクラスラベル予測をもたらす可能性がある。本稿では,ECG信号分類の適用のために,ノイズ-信号比(NSR)の観点から頑健性を改善するための正規化手法を提案する。
参考スコア（独自算出の注目度）: 1.8579693774597703
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electrocardiogram (ECG) is the most widely used diagnostic tool to monitor the condition of the human heart. By using deep neural networks (DNNs), interpretation of ECG signals can be fully automated for the identification of potential abnormalities in a patient's heart in a fraction of a second. Studies have shown that given a sufficiently large amount of training data, DNN accuracy for ECG classification could reach human-expert cardiologist level. However, despite of the excellent performance in classification accuracy, DNNs are highly vulnerable to adversarial noises that are subtle changes in the input of a DNN and may lead to a wrong class-label prediction. It is challenging and essential to improve robustness of DNNs against adversarial noises, which are a threat to life-critical applications. In this work, we proposed a regularization method to improve DNN robustness from the perspective of noise-to-signal ratio (NSR) for the application of ECG signal classification. We evaluated our method on PhysioNet MIT-BIH dataset and CPSC2018 ECG dataset, and the results show that our method can substantially enhance DNN robustness against adversarial noises generated from adversarial attacks, with a minimal change in accuracy on clean data.
Abstract（参考訳）: 心電図(Electrocardiogram、ECG)は、ヒトの心臓の状態をモニターする最も広く用いられる診断ツールである。ディープニューラルネットワーク(DNN)を使用することで、心電図信号の解釈を完全に自動化し、患者の心臓の潜在的な異常を1秒で識別することができる。十分な量のトレーニングデータがあれば、心電図分類のDNN精度は、人間の専門的な心臓科医レベルに達する可能性がある。しかし、分類精度が優れているにもかかわらず、DNNは、DNNの入力に微妙な変化があり、誤ったクラスラベル予測をもたらす可能性のある敵雑音に対して非常に脆弱である。ライフクリティカルなアプリケーションに対する脅威である敵対的ノイズに対するDNNの堅牢性を改善することは困難かつ不可欠である。そこで本研究では,ECG信号分類への応用を目的としたノイズ・信号比(NSR)の観点から,DNNのロバスト性向上のための正規化手法を提案する。提案手法をPhystoNet MIT-BIHデータセットとCPSC2018 ECGデータセットで評価し,本手法は敵の攻撃による敵の雑音に対するDNNの頑健性を大幅に向上させることができることを示した。

関連論文リスト

HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文参考訳（メタデータ） (2024-01-18T12:47:13Z)
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)
GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for Robust Electrocardiogram Prediction [20.8603653664403]
本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。 12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
論文参考訳（メタデータ） (2022-08-02T03:14:13Z)
Identifying Electrocardiogram Abnormalities Using a Handcrafted-Rule-Enhanced Neural Network [18.859487271034336]
我々は、深層学習に基づく心電図解析に臨床知識を提供するために、畳み込みニューラルネットワークにいくつかのルールを導入する。我々の新しいアプローチは、既存の最先端の手法をかなり上回っている。
論文参考訳（メタデータ） (2022-06-16T04:42:57Z)
Guided Diffusion Model for Adversarial Purification [103.4596751105955]
敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
論文参考訳（メタデータ） (2022-05-30T10:11:15Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
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)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Enhance CNN Robustness Against Noises for Classification of 12-Lead ECG with Variable Length [2.2977141788872366]
深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。本研究では,可変長12リードECG信号の分類のためのCNNを設計した。評価の結果, CPSC 2018 ECG分類課題の上位6項目に匹敵するF1スコアと平均精度を達成できた。
論文参考訳（メタデータ） (2020-08-08T22:21:24Z)
Improve robustness of DNN for ECG signal classification:a noise-to-signal ratio perspective [2.2977141788872366]
深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。 DNNは敵の攻撃に対して非常に脆弱である。本研究では,雑音-信号比(NSR)の観点からDNNのロバスト性を改善することを提案する。
論文参考訳（メタデータ） (2020-05-18T23:37:33Z)
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。