論文の概要: Synthetic ECG Signal Generation Using Generative Neural Networks
- arxiv url: http://arxiv.org/abs/2112.03268v1
- Date: Sun, 5 Dec 2021 20:28:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 13:31:46.761549
- Title: Synthetic ECG Signal Generation Using Generative Neural Networks
- Title(参考訳): 生成ニューラルネットワークを用いた合成ECG信号生成
- Authors: Edmond Adib, Fatemeh Afghah, John J. Prevost
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.122393663641668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrocardiogram (ECG) datasets tend to be highly imbalanced due to the
scarcity of abnormal cases. Additionally, the use of real patients' ECG is
highly regulated due to privacy issues. Therefore, there is always a need for
more ECG data, especially for the training of automatic diagnosis machine
learning models, which perform better when trained on a balanced dataset. We
studied the synthetic ECG generation capability of 5 different models from the
generative adversarial network (GAN) family and compared their performances,
the focus being only on Normal cardiac cycles. Dynamic Time Warping (DTW),
Fr\'echet, and Euclidean distance functions were employed to quantitatively
measure performance. Five different methods for evaluating generated beats were
proposed and applied. We also proposed 3 new concepts (threshold, accepted beat
and productivity rate) and employed them along with the aforementioned methods
as a systematic way for comparison between models. The results show that all
the tested models can to an extent successfully mass-generate acceptable
heartbeats with high similarity in morphological features, and potentially all
of them can be used to augment imbalanced datasets. However, visual inspections
of generated beats favor BiLSTM-DC GAN and WGAN, as they produce statistically
more acceptable beats. Also, with regards to productivity rate, the Classic GAN
is superior with a 72% productivity rate.
- Abstract(参考訳): 心電図(ECG)データセットは異常な症例の少ないため、非常に不均衡である。
さらに、実際の患者の心電図の使用はプライバシーの問題により高度に規制されている。
したがって、特にバランスの取れたデータセットでトレーニングされた場合、より良いパフォーマンスを示す自動診断機械学習モデルのトレーニングには、より多くのECGデータが必要である。
合成心電図生成能力はGAN(Generative Adversarial Network, GAN)ファミリーから5種類のモデルに比較検討し, 正常心循環にのみ焦点をあてた。
動的時間ウォーピング(DTW)、Fr'echet、ユークリッド距離関数を定量的に測定するために使用した。
生成したビートを評価するための5つの異なる手法を提案し,適用した。
また,3つの新しい概念(threshold,accepted beat, productivity rate)を提案し,これらをモデル間比較の体系的手法として用いた。
その結果、全ての実験モデルが、形態的特徴に高い類似性を持つ許容心拍をある程度大量生成することができ、不均衡なデータセットの増大に使用できる可能性が示唆された。
しかし、生成したビートの視覚検査は、統計学的に許容できるビートを生成するため、BiLSTM-DC GANとWGANが好ましい。
また、生産性率に関しては、Classic GANが72%の生産性率で優れている。
関連論文リスト
- Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳(メタデータ) (2023-10-24T11:34:15Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - 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) - 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) - ECG beat classification using machine learning and pre-trained
convolutional neural networks [0.0]
この研究は、AAMI EC57標準に基づいて、5種類のECG不整脈を分類した。
テストセットのパフォーマンスは、全体的な精度(98.62%)が向上し、5つの波形のそれぞれを分類する性能も向上した。
論文 参考訳(メタデータ) (2022-06-14T17:23:51Z) - Classification of ECG based on Hybrid Features using CNNs for Wearable
Applications [2.0999222360659604]
ハイブリッド機能と3つの異なるモデルを用いたECG分類の性能向上を示す。
この研究で提案されたRR間隔の特徴に基づくモデルでは、98.98%の精度が達成され、ベースラインモデルよりも改善された。
周波数特性とRR間隔特性を組み合わせた別のモデルが開発され、ノイズ環境下での良好な持続性能で99%の精度で達成された。
論文 参考訳(メタデータ) (2022-06-14T12:14:40Z) - Arrhythmia Classification using CGAN-augmented ECG Signals [8.819736346681463]
GAN(Generative Adrial Networks)は、リアルな合成ECG信号を生成するために使用される。
本研究では,データ拡張が不整脈分類に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2022-01-26T17:41:57Z) - Optimal Transport based Data Augmentation for Heart Disease Diagnosis
and Prediction [16.7288675686184]
本稿では、不均衡なECGデータセット内のデータ不均衡問題を解決するために、新しいデータ拡張法を提案する。
最適輸送を用いて、正常心電図のビートから心電図の疾患データを増強し、異なるカテゴリ間でデータのバランスをとる。
その結果,1) 分類モデルが5つのECGカテゴリで競合予測を行う能力,2) データ拡張手法の有効性を反映した精度と堅牢性の向上が示された。
論文 参考訳(メタデータ) (2022-01-25T03:49:28Z) - 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) - 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) - 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。