Fugu-MT 論文翻訳(概要): ECG synthesis with Neural ODE and GAN models

論文の概要: ECG synthesis with Neural ODE and GAN models

arxiv url: http://arxiv.org/abs/2111.00314v1
Date: Sat, 30 Oct 2021 19:17:20 GMT
ステータス: 処理完了
システム内更新日: 2021-11-02 16:25:34.830616
Title: ECG synthesis with Neural ODE and GAN models
Title（参考訳）: ニューラルODEとGANモデルを用いたECG合成
Authors: Mansura Habiba, Eoin Borphy, Barak A. Pearlmutter, Tomas Ward
Abstract要約: ECGのような連続医療時系列データは、その動的および高次元特性のために最も複雑な時系列の1つである。本研究では,ニューラルODEモデルを用いて合成正弦波と合成心電図を生成する。
参考スコア（独自算出の注目度）: 0.8960992912176574
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Continuous medical time series data such as ECG is one of the most complex time series due to its dynamic and high dimensional characteristics. In addition, due to its sensitive nature, privacy concerns and legal restrictions, it is often even complex to use actual data for different medical research. As a result, generating continuous medical time series is a very critical research area. Several research works already showed that the ability of generative adversarial networks (GANs) in the case of continuous medical time series generation is promising. Most medical data generation works, such as ECG synthesis, are mainly driven by the GAN model and its variation. On the other hand, Some recent work on Neural Ordinary Differential Equation (Neural ODE) demonstrates its strength against informative missingness, high dimension as well as dynamic nature of continuous time series. Instead of considering continuous-time series as a discrete-time sequence, Neural ODE can train continuous time series in real-time continuously. In this work, we used Neural ODE based model to generate synthetic sine waves and synthetic ECG. We introduced a new technique to design the generative adversarial network with Neural ODE based Generator and Discriminator. We developed three new models to synthesise continuous medical data. Different evaluation metrics are then used to quantitatively assess the quality of generated synthetic data for real-world applications and data analysis. Another goal of this work is to combine the strength of GAN and Neural ODE to generate synthetic continuous medical time series data such as ECG. We also evaluated both the GAN model and the Neural ODE model to understand the comparative efficiency of models from the GAN and Neural ODE family in medical data synthesis.
Abstract（参考訳）: ECGのような連続医療時系列データは、その動的および高次元特性のために最も複雑な時系列の1つである。さらに、その繊細な性質、プライバシーの懸念、法的制限により、さまざまな医学研究に実際のデータを使うのはさらに複雑であることが多い。その結果,連続医療時系列生成は極めて重要な研究分野である。いくつかの研究で、連続医療時系列生成におけるGAN(Generative Adversarial Network)の能力が有望であることが示されている。 ECG合成のようなほとんどの医療データ生成は、主にGANモデルとそのバリエーションによって駆動される。一方、ニューラル正規微分方程式(Neural ODE)に関する最近の研究は、情報不足、高次元、および連続時系列の動的性質に対するその強さを実証している。連続時系列を離散時間列として考える代わりに、Neural ODEは連続時系列をリアルタイムにトレーニングすることができる。本研究では,ニューラルODEモデルを用いて合成正弦波と合成心電図を生成する。我々はニューラルODEベースジェネレータと識別器を用いた生成対向ネットワークの設計手法を導入した。連続医療データを合成する3つの新しいモデルを開発した。異なる評価指標を用いて、実世界のアプリケーションやデータ分析のために生成された合成データの質を定量的に評価する。この研究のもう1つの目標は、心電図などの合成連続医療時系列データを生成するために、GANとNeural ODEの強さを組み合わせることである。また、医療データ合成において、GANモデルとNeural ODEモデルの両方を用いて、GANおよびNeural ODEファミリーのモデルの比較効率について検討した。

関連論文リスト

Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文参考訳（メタデータ） (2023-10-04T07:14:43Z)
Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文参考訳（メタデータ） (2023-06-24T17:01:51Z)
ECGAN: Self-supervised generative adversarial network for electrocardiography [11.460692362624533]
高品質な合成データは、バイオメディカルタスクのための効果的な予測モデルの開発を支援することができる。これらの制限は、例えば不整脈に関する心電図データセットへのオープンアクセスに悪影響を及ぼす。本研究は, 人工心電図時系列生成における自己監督的アプローチを導入する。
論文参考訳（メタデータ） (2023-01-23T15:48:02Z)
COPER: Continuous Patient State Perceiver [13.735956129637945]
本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
論文参考訳（メタデータ） (2022-08-05T14:32:57Z)
TTS-CGAN: A Transformer Time-Series Conditional GAN for Biosignal Data Augmentation [5.607676459156789]
我々は,既存のマルチクラスデータセットに基づいて学習し,クラス固有の合成時系列列を生成する条件付きGANモデルであるTS-CGANを提案する。我々のモデルによって生成された合成シーケンスは、実データとは区別できないため、同じタイプの実信号の補完や置換に使うことができる。
論文参考訳（メタデータ） (2022-06-28T01:01:34Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
DAMNETS: A Deep Autoregressive Model for Generating Markovian Network Time Series [6.834250594353335]
ネットワーク時系列生成モデル(動的グラフとも呼ばれる)は疫学、生物学、経済学などの分野において大きな可能性を秘めている。本稿では,ネットワーク時系列のスケーラブルな深層生成モデルであるDAMNETSを紹介する。
論文参考訳（メタデータ） (2022-03-28T18:14:04Z)
Synthetic ECG Signal Generation Using Generative Neural Networks [7.122393663641668]
本研究は,GAN(Generative Adversarial Network)ファミリーから5つの異なるモデルの合成ECG生成能力について検討した。以上の結果から, 全ての実験モデルにおいて, 形態学的特徴に高い類似性を有する許容心拍の大量生成に成功できることが示唆された。
論文参考訳（メタデータ） (2021-12-05T20:28:55Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。