論文の概要: Training neural networks with synthetic electrocardiograms
- arxiv url: http://arxiv.org/abs/2111.06175v1
- Date: Thu, 11 Nov 2021 12:39:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 19:17:29.264883
- Title: Training neural networks with synthetic electrocardiograms
- Title(参考訳): 人工心電図を用いたニューラルネットワークの訓練
- Authors: Matti Kaisti, Juho Laitala, Antti Airola
- Abstract要約: 本稿では,ウェアラブル型単一リード心電図モニターによって生成された信号を模倣する合成心電図を用いたニューラルネットワークのトレーニング手法を提案する。
トレーニング例毎に波形形状,RR間隔,雑音などの合成信号特性が変化する領域ランダム化を用いる。
合成データで訓練されたモデルは、実際のデータで訓練されたモデルと比較される。
実験では、異なるシードで堅牢なパフォーマンスを示し、テストセット固有のチューニングなしで異なるテストセットでトレーニング例を示します。
- 参考スコア(独自算出の注目度): 3.1583465114791105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a method for training neural networks with synthetic
electrocardiograms that mimic signals produced by a wearable single lead
electrocardiogram monitor. We use domain randomization where the synthetic
signal properties such as the waveform shape, RR-intervals and noise are varied
for every training example. Models trained with synthetic data are compared to
their counterparts trained with real data. Detection of r-waves in
electrocardiograms recorded during different physical activities and in atrial
fibrillation is used to compare the models. By allowing the randomization to
increase beyond what is typically observed in the real-world data the
performance is on par or superseding the performance of networks trained with
real data. Experiments show robust performance with different seeds and
training examples on different test sets without any test set specific tuning.
The method makes possible to train neural networks using practically
free-to-collect data with accurate labels without the need for manual
annotations and it opens up the possibility of extending the use of synthetic
data on cardiac disease classification when disease specific a priori
information is used in the electrocardiogram generation. Additionally the
distribution of data can be controlled eliminating class imbalances that are
typically observed in health related data and additionally the generated data
is inherently private.
- Abstract(参考訳): 本稿では,ウェアラブル・シングルリード心電図モニタによる信号を模倣した合成心電図を用いたニューラルネットワークのトレーニング手法を提案する。
学習例ごとに波形形状,rr-intervals,ノイズなどの合成信号特性が変化する領域ランダム化を用いる。
合成データで訓練されたモデルは、実際のデータで訓練されたモデルと比較される。
異なる身体活動中に記録された心電図と心房細動におけるr波の検出は、モデルを比較するために用いられる。
ランダム化を現実世界のデータで通常観測される以上のものにすることで、パフォーマンスは実データで訓練されたネットワークのパフォーマンスと同等か、または同等かに向上する。
実験では、異なるシードを持つロバストなパフォーマンスと、テストセットを特定のチューニングなしで異なるテストセットでトレーニングサンプルを示す。
この方法は、手動の注釈を必要とせずに、事実上自由に収集できるデータと正確なラベルを用いてニューラルネットワークを訓練することを可能にし、心電図生成に病特異的な事前情報を使用する場合に、心臓疾患分類における合成データの使用を拡大する可能性を開く。
さらに、データ分布は、健康関連データで通常観察されるクラス不均衡を排除し、さらに生成されたデータは本質的にプライベートである。
関連論文リスト
- Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。
その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。
今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
論文 参考訳(メタデータ) (2024-12-17T18:07:40Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-10-20T11:03:21Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Improving self-supervised pretraining models for epileptic seizure
detection from EEG data [0.23624125155742057]
本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。
自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
論文 参考訳(メタデータ) (2022-06-28T17:15:49Z) - RF Signal Classification with Synthetic Training Data and its Real-World
Performance [0.0]
本稿では,実環境における実環境性能に対する合成訓練データにモデル化された異なるRF信号障害の影響について検討する。
念入りに設計された合成トレーニングデータのみを使用することで、実世界の操作において最大95%の精度を達成できる。
論文 参考訳(メタデータ) (2022-06-26T20:47:33Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - 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) - 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) - Improving the efficacy of Deep Learning models for Heart Beat detection
on heterogeneous datasets [0.0]
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。
論文 参考訳(メタデータ) (2021-10-26T14:26:55Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳(メタデータ) (2021-03-30T09:59:56Z)
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。