論文の概要: Diffusion-based Conditional ECG Generation with Structured State Space Models

• arxiv url: http://arxiv.org/abs/2301.08227v1
• Date: Thu, 19 Jan 2023 18:36:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-20 14:12:27.968156
• Title: Diffusion-based Conditional ECG Generation with Structured State Space Models
• Title（参考訳）: 構造状態空間モデルを用いた拡散型条件付きECG生成
• Authors: Juan Miguel Lopez Alcaraz and Nils Strodthoff
• Abstract要約: 我々は,70以上の心電図を用いた合成12誘導心電図作成のためのSSSD-ECGを提案する。 信頼性の低いベースラインが欠如しているため、2つの最先端非条件生成モデルの条件変種も提案する。
• 参考スコア（独自算出の注目度）: 2.299617836036273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic data generation is a promising solution to address privacy issues with the distribution of sensitive health data. Recently, diffusion models have set new standards for generative models for different data modalities. Also very recently, structured state space models emerged as a powerful modeling paradigm to capture long-term dependencies in time series. We put forward SSSD-ECG, as the combination of these two technologies, for the generation of synthetic 12-lead electrocardiograms conditioned on more than 70 ECG statements. Due to a lack of reliable baselines, we also propose conditional variants of two state-of-the-art unconditional generative models. We thoroughly evaluate the quality of the generated samples, by evaluating pretrained classifiers on the generated data and by evaluating the performance of a classifier trained only on synthetic data, where SSSD-ECG clearly outperforms its GAN-based competitors. We demonstrate the soundness of our approach through further experiments, including conditional class interpolation and a clinical Turing test demonstrating the high quality of the SSSD-ECG samples across a wide range of conditions.
• Abstract（参考訳）: 合成データ生成は、機密性のある健康データの配布に関するプライバシー問題に対処するための有望なソリューションである。 近年、拡散モデルは異なるデータモダリティのための生成モデルの新しい標準を定めている。 また、非常に最近、構造化状態空間モデルが、時系列における長期的な依存関係を捉える強力なモデリングパラダイムとして登場した。 我々は,SSSD-ECGとこれら2つの技術を組み合わせて,70以上の心電図を条件とした合成12誘導心電図を作成した。 また, 信頼性の高いベースラインの欠如により, 2つの無条件生成モデルの条件付き変種を提案する。 ssd-ecgがganベースの競合相手を明らかに上回る合成データのみを訓練した分類器の性能を評価することにより,生成したサンプルの品質を徹底的に評価する。 本研究では,SSSD-ECG試料の品質を幅広い条件で検証し,条件付きクラス補間と臨床チューリング試験を含むさらなる実験により,アプローチの健全性を示す。

関連論文リスト

• SynEHRgy: Synthesizing Mixed-Type Structured Electronic Health Records using Decoder-Only Transformers [3.9018723423306003]
  構造化EHRデータに適した新しいトークン化戦略を提案する。 我々は、生成したデータの忠実度、実用性、プライバシを最先端のモデルと比較する。
  論文  参考訳（メタデータ） (2024-11-20T16:11:20Z)
• SSSD-ECG-nle: New Label Embeddings with Structured State-Space Models for ECG generation [0.0]
  拡散モデルは近年大きく進歩し、実際のモデルに匹敵するデータを合成する可能性を生み出している。 本稿では,SSSD-ECGに基づくSSSD-ECG-nleアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-07-15T16:31:25Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• MedDiff: Generating Electronic Health Records using Accelerated Denoising Diffusion Model [5.677138915301383]
  電子健康記録への最初の応用である拡散モデルに基づく新しい生成モデルを提案する。 本モデルでは,ラベル情報を保存するために,クラス条件サンプリングを行う機構を提案する。
  論文  参考訳（メタデータ） (2023-02-08T22:06:34Z)
• 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)
• PhysioGAN: Training High Fidelity Generative Model for Physiological Sensor Readings [6.029263679246354]
  PHYSIOGANは高忠実性合成生理学的センサーデータ読取のための生成モデルである。 実世界の2つの異なるデータセット(ECG分類とモーションセンサーデータセットからのアクティビティ認識)を用いて、最先端技術と比較した。
  論文  参考訳（メタデータ） (2022-04-25T07:38:43Z)
• 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)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
  本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。 我々はGumbel-Softmax法を利用して離散値列の分布を近似する。 提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-18T03:52:55Z)
• Partially Conditioned Generative Adversarial Networks [75.08725392017698]
  Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。 条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。 本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-06T15:59:28Z)

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。