論文の概要: ECGAN: Self-supervised generative adversarial network for
electrocardiography
- arxiv url: http://arxiv.org/abs/2301.09496v1
- Date: Mon, 23 Jan 2023 15:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 13:16:38.554070
- Title: ECGAN: Self-supervised generative adversarial network for
electrocardiography
- Title(参考訳): ECGAN : 心電図用自己教師付き生成対向ネットワーク
- Authors: Lorenzo Simone and Davide Bacciu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 11.460692362624533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-quality synthetic data can support the development of effective
predictive models for biomedical tasks, especially in rare diseases or when
subject to compelling privacy constraints. These limitations, for instance,
negatively impact open access to electrocardiography datasets about
arrhythmias. This work introduces a self-supervised approach to the generation
of synthetic electrocardiography time series which is shown to promote
morphological plausibility. Our model (ECGAN) allows conditioning the
generative process for specific rhythm abnormalities, enhancing synchronization
and diversity across samples with respect to literature models. A dedicated
sample quality assessment framework is also defined, leveraging arrhythmia
classifiers. The empirical results highlight a substantial improvement against
state-of-the-art generative models for sequences and audio synthesis.
- Abstract(参考訳): 高品質な合成データは、特にまれな疾患や魅力的なプライバシー制約を受ける場合に、バイオメディカルタスク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, 形態学的妥当性の向上を図った人工心電図時系列生成への自己監督的アプローチを導入する。
我々のモデル(ECGAN)は、特定のリズム異常に対する生成過程の条件付けを可能にし、文献モデルに関するサンプル間の同期と多様性を向上する。
不整脈分類器を利用する専用サンプル品質評価フレームワークも定義されている。
経験的な結果は、シーケンスと音声合成の最先端生成モデルに対する大幅な改善を浮き彫りにしている。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Digital twinning of cardiac electrophysiology models from the surface
ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。
その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。
パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文 参考訳(メタデータ) (2023-08-16T14:57:12Z) - 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) - 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) - Diffusion-based Conditional ECG Generation with Structured State Space
Models [2.299617836036273]
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。
論文 参考訳(メタデータ) (2023-01-19T18:36:48Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - 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) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳(メタデータ) (2022-03-12T15:24:03Z) - 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) - A Model-Based Approach to Synthetic Data Set Generation for
Patient-Ventilator Waveforms for Machine Learning and Educational Use [0.0]
機械学習と教育利用のための合成データセットを生成するモデルベースのアプローチを提案する。
文献中の測定結果から得られた9種類の患者原型を用いて合成データセットを生成した。
論文 参考訳(メタデータ) (2021-03-29T15:10:17Z)
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。