論文の概要: Analysis of Augmentations for Contrastive ECG Representation Learning
- arxiv url: http://arxiv.org/abs/2206.07656v1
- Date: Mon, 30 May 2022 20:41:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-19 23:34:34.317035
- Title: Analysis of Augmentations for Contrastive ECG Representation Learning
- Title（参考訳）: コントラスト心電図表現学習のための強化の分析
- Authors: Sahar Soltanieh, Ali Etemad, Javad Hashemi
- Abstract要約: 本稿では,心電図(ECG)信号のコントラスト学習における各種拡張の有効性を系統的に検討する。
PTB-XLは、大規模で公開されている12リードのECGデータセットである。
- 参考スコア（独自算出の注目度）: 17.467589890017123
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper systematically investigates the effectiveness of various
augmentations for contrastive self-supervised learning of electrocardiogram
(ECG) signals and identifies the best parameters. The baseline of our proposed
self-supervised framework consists of two main parts: the contrastive learning
and the downstream task. In the first stage, we train an encoder using a number
of augmentations to extract generalizable ECG signal representations. We then
freeze the encoder and finetune a few linear layers with different amounts of
labelled data for downstream arrhythmia detection. We then experiment with
various augmentations techniques and explore a range of parameters. Our
experiments are done on PTB-XL, a large and publicly available 12-lead ECG
dataset. The results show that applying augmentations in a specific range of
complexities works better for self-supervised contrastive learning. For
instance, when adding Gaussian noise, a sigma in the range of 0.1 to 0.2
achieves better results, while poor training occurs when the added noise is too
small or too large (outside of the specified range). A similar trend is
observed with other augmentations, demonstrating the importance of selecting
the optimum level of difficulty for the added augmentations, as augmentations
that are too simple will not result in effective training, while augmentations
that are too difficult will also prevent the model from effective learning of
generalized representations. Our work can influence future research on
self-supervised contrastive learning on bio-signals and aid in selecting
optimum parameters for different augmentations.
- Abstract（参考訳）: 本稿では,心電図(ECG)信号のコントラスト学習における各種強化の有効性を体系的に検討し,最適なパラメータを同定する。
提案する自己教師型フレームワークのベースラインは,コントラスト学習と下流タスクの2つの主要な部分から構成される。
最初の段階では、多数の拡張を用いてエンコーダを訓練し、一般化可能なECG信号表現を抽出する。
次にエンコーダを凍結し、下流不整脈検出のためのラベル付きデータが異なる数個の線形層を微調整する。
次に様々な拡張技法を実験し、様々なパラメータを探索する。
実験は、大規模で公開されている12リードのECGデータセットであるTB-XLを用いて行われた。
その結果,自己教師付きコントラスト学習では,特定の範囲の複雑度に拡張を適用する方がよいことがわかった。
例えば、ガウスノイズを追加する場合、0.1から0.2の範囲のシグマはより良い結果を得るが、付加ノイズが小さすぎる場合や(指定された範囲以外では)トレーニング不足が発生する。
他の拡張では同様の傾向が観察され、追加の強化に最適な難易度を選択することの重要性が示され、単純な増補は効果的な訓練にはならないが、難しすぎる増補は一般化表現の効果的な学習を妨げる。
本研究は, 生体信号における自己教師付きコントラスト学習の今後の研究に影響を与え, 異なる増補のための最適パラメータの選択を支援する。
関連論文リスト
- 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) - 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) - Subject-based Non-contrastive Self-Supervised Learning for ECG Signal
Processing [7.638042073679075]
データ拡張も負ペアも使用せず、ECG信号の理解に役立てる初の自己教師型学習(SSL)手法を提案する。
その結果、2つの入力間の類似性をキャプチャするだけでなく、データの完全理解のために相似性をキャプチャするSSLメソッドを設計できる。
論文 参考訳（メタデータ） (2023-05-12T13:30:06Z) - GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。
我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。
学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文 参考訳（メタデータ） (2022-12-07T10:19:39Z) - 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) - 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) - CCLF: A Contrastive-Curiosity-Driven Learning Framework for
Sample-Efficient Reinforcement Learning [56.20123080771364]
我々は、強化学習のためのモデルに依存しないコントラスト駆動学習フレームワーク(CCLF)を開発した。
CCLFは、サンプルの重要性を完全に活用し、自己管理的な学習効率を向上させる。
このアプローチをDeepMind Control Suite、Atari、MiniGridベンチマークで評価する。
論文 参考訳（メタデータ） (2022-05-02T14:42:05Z) - Data Augmentation for Electrocardiograms [2.8498944632323755]
本研究では,データスカース心電図予測問題の性能向上にデータ拡張法が有効かどうかを検討する。
本稿では,タスクごとに最適化されたフレキシブルな拡張ポリシーを定義する新しい方法であるTaskAugを紹介する。
実験では、TaskAugが以前の作業と競合するか、改善していることがわかった。
論文 参考訳（メタデータ） (2022-04-09T02:19:55Z) - SelectAugment: Hierarchical Deterministic Sample Selection for Data
Augmentation [72.58308581812149]
そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。
具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。
これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
論文 参考訳（メタデータ） (2021-12-06T08:38:38Z) - 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) - 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)
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。