論文の概要: Improving the efficacy of Deep Learning models for Heart Beat detection on heterogeneous datasets

• arxiv url: http://arxiv.org/abs/2110.13732v1
• Date: Tue, 26 Oct 2021 14:26:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 18:34:24.725784
• Title: Improving the efficacy of Deep Learning models for Heart Beat detection on heterogeneous datasets
• Title（参考訳）: ヘテロジニアスデータセットを用いた心拍検出のためのディープラーニングモデルの有効性向上
• Authors: Andrea Bizzego, Giulio Gabrieli, Michelle Jin-Yee Neoh and Gianluca Esposito
• Abstract要約: ヘテロジニアスデータセットにディープラーニングモデルを適用する際の問題点について検討する。 本研究では,健常者からのデータに基づいてトレーニングしたモデルの性能が,心疾患患者に適用した場合に低下することを示す。 次に、異なるデータセットにモデルを適応させるためのTransfer Learningの使用を評価します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning (DL) have greatly contributed to bioelectric signals processing, in particular to extract physiological markers. However, the efficacy and applicability of the results proposed in the literature is often constrained to the population represented by the data used to train the models. In this study, we investigate the issues related to applying a DL model on heterogeneous datasets. In particular, by focusing on heart beat detection from Electrocardiogram signals (ECG), we show that the performance of a model trained on data from healthy subjects decreases when applied to patients with cardiac conditions and to signals collected with different devices. We then evaluate the use of Transfer Learning (TL) to adapt the model to the different datasets. In particular, we show that the classification performance is improved, even with datasets with a small sample size. These results suggest that a greater effort should be made towards generalizability of DL models applied on bioelectric signals, in particular by retrieving more representative datasets.
• Abstract（参考訳）: 深層学習(DL)は生体電気信号処理、特に生理的マーカーの抽出に大きく貢献している。 しかし、文献で提案された結果の有効性と適用性は、しばしばモデルを訓練するために使用されるデータによって表される人口に制限される。 本研究では,異種データセットにDLモデルを適用する際の問題点について検討する。 特に心電図信号(ECG)から心拍を検出することで、心疾患患者や異なる装置で収集した信号に適用した場合、健常者からのデータに基づいてトレーニングしたモデルの性能が低下することを示す。 次に、異なるデータセットにモデルを適応させるために、Transfer Learning(TL)の使用を評価します。 特に,サンプルサイズが小さいデータセットであっても,分類性能が向上していることを示す。 これらの結果は, 生体電気信号に適用したdlモデルの一般化可能性, 特に代表データセットの検索において, さらなる努力が必要であることを示唆する。

関連論文リスト

• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
  Contrastive Self-Supervised Learning (SSL)はラベル付きデータの不足に対する潜在的な解決策を提供する。 1次元心電図(PCG)分類におけるコントラスト学習の最適化を提案する。 トレーニング分布によっては、完全教師付きモデルの有効性が最大32%低下し、SSLモデルは最大10%低下し、場合によっては改善される。
  論文  参考訳（メタデータ） (2023-12-01T11:06:00Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• On the Generalizability of ECG-based Stress Detection Models [4.592950581802712]
  本稿では,心電図に基づくディープラーニングモデルと心拍変動(HRV)機能に基づくモデルの一般化機能について検討する。 我々の知る限りでは、これはECGベースのディープラーニングモデルとHRVモデルとのデータセット間の一般化性を比較する最初の試みである。
  論文  参考訳（メタデータ） (2022-10-12T14:12:04Z)
• 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)
• Vector-Based Data Improves Left-Right Eye-Tracking Classifier Performance After a Covariate Distributional Shift [0.0]
  我々は、より堅牢なベンチマークを作成するために、EEG-ETデータ収集のための微粒なデータアプローチを提案する。 我々は、粗粒データと細粒データの両方を利用して機械学習モデルを訓練し、類似/異なる分布パターンのデータでテストした場合の精度を比較した。 その結果、細粒度ベクトルベースでトレーニングされたモデルは、粗粒度二分分類されたデータでトレーニングされたモデルよりも分布シフトの影響を受けにくいことがわかった。
  論文  参考訳（メタデータ） (2022-07-31T16:27:50Z)
• Core-set Selection Using Metrics-based Explanations (CSUME) for multiclass ECG [2.0520503083305073]
  高品質なデータを選択することで、ディープラーニングモデルの性能が向上することを示す。 実験の結果,9.67%,8.69%の精度とリコール改善が得られた。
  論文  参考訳（メタデータ） (2022-05-28T19:36:28Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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。