論文の概要: Cross-Database and Cross-Channel ECG Arrhythmia Heartbeat Classification
Based on Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2306.04433v1
- Date: Wed, 7 Jun 2023 13:46:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 14:10:46.609759
- Title: Cross-Database and Cross-Channel ECG Arrhythmia Heartbeat Classification
Based on Unsupervised Domain Adaptation
- Title（参考訳）: 教師なし領域適応に基づくクロスデータベースとクロスチャネル心電図不整脈分類
- Authors: Md Niaz Imtiaz and Naimul Khan
- Abstract要約: ドメイン間の特徴差の最適化に基づくドメイン適応型ディープネットワークを提案する。
本手法は,事前学習,クラスタ中心計算,適応の3段階からなる。
提案手法は, 異所性ビート検出における他の最先端手法と比較して, 優れた性能を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The classification of electrocardiogram (ECG) plays a crucial role in the
development of an automatic cardiovascular diagnostic system. However,
considerable variances in ECG signals between individuals is a significant
challenge. Changes in data distribution limit cross-domain utilization of a
model. In this study, we propose a solution to classify ECG in an unlabeled
dataset by leveraging knowledge obtained from labeled source domain. We present
a domain-adaptive deep network based on cross-domain feature discrepancy
optimization. Our method comprises three stages: pre-training, cluster-centroid
computing, and adaptation. In pre-training, we employ a Distributionally Robust
Optimization (DRO) technique to deal with the vanishing worst-case training
loss. To enhance the richness of the features, we concatenate three temporal
features with the deep learning features. The cluster computing stage involves
computing centroids of distinctly separable clusters for the source using true
labels, and for the target using confident predictions. We propose a novel
technique to select confident predictions in the target domain. In the
adaptation stage, we minimize compacting loss within the same cluster,
separating loss across different clusters, inter-domain cluster discrepancy
loss, and running combined loss to produce a domain-robust model. Experiments
conducted in both cross-domain and cross-channel paradigms show the efficacy of
the proposed method. Our method achieves superior performance compared to other
state-of-the-art approaches in detecting ventricular ectopic beats (V),
supraventricular ectopic beats (S), and fusion beats (F). Our method achieves
an average improvement of 11.78% in overall accuracy over the
non-domain-adaptive baseline method on the three test datasets.
- Abstract（参考訳）: 心電図(ECG)の分類は,自動心血管診断システムの開発において重要な役割を担っている。
しかし、個人間のECG信号のかなりのばらつきは大きな課題である。
モデルのクロスドメイン利用に対するデータ分散制限の変化。
本研究では,ラベル付きソースドメインから得られた知識を活用して,ラベル付きデータセットでECGを分類する手法を提案する。
ドメイン間の特徴差の最適化に基づくドメイン適応型ディープネットワークを提案する。
本手法は,事前学習,クラスタ中心計算,適応の3段階からなる。
事前トレーニングでは、最悪のトレーニング損失を解消するために、分散ロバスト最適化(DRO)技術を用いる。
特徴の豊かさを高めるために,3つの時間的特徴と深層学習特徴を結合する。
クラスタコンピューティングの段階は、信頼できる予測を使用して、真のラベルを使用して、ソースに対して明確に分離可能なクラスタのセンタロイドを計算することである。
対象領域における自信のある予測を選択する新しい手法を提案する。
適応段階では、同一クラスタ内の損失を最小化し、異なるクラスタ間で損失を分離し、ドメイン間クラスタ間の損失を解消し、ドメインロバストモデルを作成する。
クロスドメインとクロスチャネルの両方の実験により,提案手法の有効性が示された。
心室異所性ビート(V),上室異所性ビート(S),融合ビート(F)の検出において,他の最先端手法と比較して優れた性能を示した。
本手法は,3つのテストデータセット上での非ドメイン適応ベースライン法よりも平均11.78%の精度向上を実現する。
関連論文リスト
- Deep learning based domain adaptation for mitochondria segmentation on
EM volumes [5.682594415267948]
対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。
そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。
評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
論文 参考訳（メタデータ） (2022-02-22T09:49:25Z) - Frequency Spectrum Augmentation Consistency for Domain Adaptive Object
Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。
最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。
第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文 参考訳（メタデータ） (2021-12-16T04:07:01Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Generative Self-training for Cross-domain Unsupervised Tagged-to-Cine
MRI Synthesis [10.636015177721635]
クロスドメイン画像合成のための連続値予測と回帰目標を用いた新たな自己学習フレームワークを提案する。
具体的には,疑似ラベルを不確実性マスクでフィルタリングし,実際のベイズ学習を用いて生成した画像の予測信頼度を定量化する。
論文 参考訳（メタデータ） (2021-06-23T16:19:00Z) - Unsupervised Domain Adaptation with Variational Approximation for
Cardiac Segmentation [15.2292571922932]
非教師なし領域適応は、医用画像セグメンテーションに有用である。
両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。
これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
論文 参考訳（メタデータ） (2021-06-16T13:00:39Z) - Consistent Posterior Distributions under Vessel-Mixing: A Regularization
for Cross-Domain Retinal Artery/Vein Classification [30.30848090813239]
網膜A/V分類におけるクロスドメイン学習のための船舶混合型整合性正規化フレームワークを提案する。
提案手法は,対象ドメインに対する教師付き学習によって得られる上界に近い,最先端のクロスドメイン性能を実現する。
論文 参考訳（メタデータ） (2021-03-16T14:18:35Z) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳（メタデータ） (2020-12-08T08:52:00Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-04T23:25:09Z)
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。