Fugu-MT 論文翻訳(概要): Data Augmentation with GAN increases the Performance of Arrhythmia Classification for an Unbalanced Dataset

論文の概要: Data Augmentation with GAN increases the Performance of Arrhythmia Classification for an Unbalanced Dataset

arxiv url: http://arxiv.org/abs/2302.13855v1
Date: Fri, 24 Feb 2023 16:47:10 GMT
ステータス: 処理完了
システム内更新日: 2023-02-28 15:11:33.235954
Title: Data Augmentation with GAN increases the Performance of Arrhythmia Classification for an Unbalanced Dataset
Title（参考訳）: GANによるデータ拡張による不均衡データセットの不整脈分類の性能向上
Authors: Okan D\"uzyel, Mehmet Kuntalp
Abstract要約: データ不足は、機械学習の分野で大きな問題の1つだ。本研究では,MIT-BIH Arrhythmia Databaseを用いて新しいECG信号を生成する。これらの生成されたデータは、機械学習システムと実際のECGデータをテストするために使用される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Due to the data shortage problem, which is one of the major problems in the field of machine learning, the accuracy level of many applications remains well below the expected. It prevents researchers from producing new artificial intelligence-based systems with the available data. This problem can be solved by generating new synthetic data with augmentation methods. In this study, new ECG signals are produced using MIT-BIH Arrhythmia Database by using Generative Adversarial Neural Networks (GAN), which is a modern data augmentation method. These generated data are used for training a machine learning system and real ECG data for testing it. The obtained results show that this way the performance of the machine learning system is increased.
Abstract（参考訳）: 機械学習の分野における主要な問題の1つであるデータ不足問題のため、多くのアプリケーションの精度レベルは期待よりもかなり低いままである。研究者が利用可能なデータを使って新しい人工知能ベースのシステムを作るのを防ぐ。この問題は、拡張法で新しい合成データを生成することで解決できる。本研究では,最新のデータ拡張手法であるGAN(Generative Adversarial Neural Networks)を用いて,MIT-BIH Arrhythmia Databaseを用いて新しいECG信号を生成する。これらの生成されたデータは、機械学習システムと実際のECGデータをテストするために使用される。その結果,この方法で機械学習システムの性能が向上することがわかった。

関連論文リスト

Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model [2.9972387721489655]
脳波データセットからノイズの多いデータを除去するデータセット改良アルゴリズムを提案する。提案したアルゴリズムは、元のデータセットよりも優れた一般化性能を実現している。脳波領域における深層学習モデルの一般化性能を効果的に向上させることができると結論付けた。
論文参考訳（メタデータ） (2024-10-31T05:08:24Z)
Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文参考訳（メタデータ） (2023-07-14T14:36:58Z)
Attention-stacked Generative Adversarial Network (AS-GAN)-empowered Sensor Data Augmentation for Online Monitoring of Manufacturing System [6.635444871363967]
本稿では,製造システムにおけるオンライン監視のセンサデータ拡張のための注意喚起型GAN(AS-GAN)アーキテクチャを提案する。 GANのジェネレータを強化し、シーケンシャルな情報をキャプチャする新しいアテンションスタックフレームワークが組み込まれている。
論文参考訳（メタデータ） (2023-06-09T21:35:34Z)
Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
論文参考訳（メタデータ） (2022-09-29T18:11:01Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals [0.11184789007828977]
この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。 CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
論文参考訳（メタデータ） (2022-08-23T14:21:16Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
論文参考訳（メタデータ） (2021-09-02T16:47:29Z)
The Imaginative Generative Adversarial Network: Automatic Data Augmentation for Dynamic Skeleton-Based Hand Gesture and Human Action Recognition [27.795763107984286]
本稿では、入力データの分布を近似し、この分布から新しいデータをサンプリングする新しい自動データ拡張モデルを提案する。以上の結果から,拡張戦略は訓練が高速であり,ニューラルネットワークと最先端手法の両方の分類精度を向上させることが可能であることが示唆された。
論文参考訳（メタデータ） (2021-05-27T11:07:09Z)
Unsupervised Multi-Modal Representation Learning for Affective Computing with Multi-Corpus Wearable Data [16.457778420360537]
我々は、人間の監督への依存を減らすために、教師なしの枠組みを提案する。提案フレームワークは2つの畳み込み自己エンコーダを用いて、ウェアラブル心電図(ECG)と電磁気放射能(EDA)信号から潜時表現を学習する。提案手法は, 同一のデータセット上での覚醒検出を行ない, 現状の成果よりも優れていた。
論文参考訳（メタデータ） (2020-08-24T22:01:55Z)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。