論文の概要: Label Propagation Techniques for Artifact Detection in Imbalanced
Classes using Photoplethysmogram Signals
- arxiv url: http://arxiv.org/abs/2308.08480v1
- Date: Wed, 16 Aug 2023 16:38:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 12:34:45.276145
- Title: Label Propagation Techniques for Artifact Detection in Imbalanced
Classes using Photoplethysmogram Signals
- Title(参考訳): フォトプレチスモグラム信号を用いた不均衡クラスにおけるアーチファクト検出のためのラベル伝搬手法
- Authors: Clara Macabiau, Thanh-Dung Le, Kevin Albert, Philippe Jouvet, Rita
Noumeir
- Abstract要約: 光胸腺X線信号は、不正確な解釈につながる可能性のある運動アーティファクトに影響を受けやすい。
本研究では, PPG試料間でラベルを伝搬するラベル伝搬技術について検討した。
91%の精度、90%のリコール、90%のF1スコアのアーティファクトのないクラスでの結果、医療データセットのラベル付けの有効性が示された。
- 参考スコア(独自算出の注目度): 0.07499722271664144
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Photoplethysmogram (PPG) signals are widely used in healthcare for monitoring
vital signs, but they are susceptible to motion artifacts that can lead to
inaccurate interpretations. In this study, the use of label propagation
techniques to propagate labels among PPG samples is explored, particularly in
imbalanced class scenarios where clean PPG samples are significantly
outnumbered by artifact-contaminated samples. With a precision of 91%, a recall
of 90% and an F1 score of 90% for the class without artifacts, the results
demonstrate its effectiveness in labeling a medical dataset, even when clean
samples are rare. For the classification of artifacts our study compares
supervised classifiers such as conventional classifiers and neural networks
(MLP, Transformers, FCN) with the semi-supervised label propagation algorithm.
With a precision of 89%, a recall of 95% and an F1 score of 92%, the KNN
supervised model gives good results, but the semi-supervised algorithm performs
better in detecting artifacts. The findings suggest that the semi-supervised
algorithm label propagation hold promise for artifact detection in PPG signals,
which can enhance the reliability of PPG-based health monitoring systems in
real-world applications.
- Abstract(参考訳): photoplethysmogram (ppg) 信号はバイタルサインのモニタリングに広く使われているが、不正確な解釈につながる運動アーチファクトに影響を受けやすい。
本研究では, PPG サンプル間でラベルを伝搬するラベル伝搬技術について検討し, クリーンな PPG サンプルがアーティファクト汚染試料によって著しく劣る不均衡クラスシナリオについて検討した。
91%の精度、90%のリコール、90%のf1スコアのアーチファクトのないクラスでは、クリーンなサンプルであっても、医療データセットのラベル付けに効果があることが示されている。
アーティファクトの分類については,従来の分類器やニューラルネットワーク (MLP, Transformer, FCN) などの教師付き分類器と半教師付きラベル伝搬アルゴリズムを比較した。
89%の精度、95%のリコール、F1スコア92%の精度で、KNNの教師付きモデルでは良い結果が得られるが、半教師付きアルゴリズムはアーティファクトの検出に優れていた。
その結果,半教師付きアルゴリズムラベルの伝搬はPPG信号のアーティファクト検出の可能性を保ち,実世界のアプリケーションにおけるPPGベースの健康モニタリングシステムの信頼性を高めることが示唆された。
関連論文リスト
- SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。
光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。
本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
論文 参考訳(メタデータ) (2024-04-15T01:07:08Z) - HAct: Out-of-Distribution Detection with Neural Net Activation
Histograms [7.795929277007233]
本稿では,OOD検出のための新しい記述子HActを提案する。すなわち,入力データの影響下でのニューラルネットワーク層の出力値の確率分布(ヒストグラムで近似)について述べる。
複数の画像分類ベンチマークにおいて,HActはOOD検出における最先端技術よりもはるかに精度が高いことを示す。
論文 参考訳(メタデータ) (2023-09-09T16:22:18Z) - An interpretable machine learning system for colorectal cancer diagnosis from pathology slides [2.7968867060319735]
本研究は,約10,500個のWSIを用いて,最大規模のWSI南極サンプルデータセットを用いて行った。
提案手法は, パッチベースのタイルに対して, 異形成の重症度に基づくクラスを推定する。
病理学者が導入したドメイン知識を活用するために、解釈可能な混合スーパービジョンスキームで訓練されている。
論文 参考訳(メタデータ) (2023-01-06T17:10:32Z) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳(メタデータ) (2022-05-28T07:47:53Z) - Reliable Label Correction is a Good Booster When Learning with Extremely
Noisy Labels [65.79898033530408]
極音下での学習に明示的に取り組むために,LC-Boosterと呼ばれる新しい枠組みを導入する。
LC-Boosterは、ラベル補正をサンプル選択に組み込むことで、信頼性の高いラベル修正を通じて、より精製されたサンプルをトレーニングに利用することができる。
実験により、LC-Boosterはいくつかのノイズラベルベンチマークで最先端の結果を前進させることが示された。
論文 参考訳(メタデータ) (2022-04-30T07:19:03Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳(メタデータ) (2022-04-19T09:10:06Z) - Advancing Brain Metastases Detection in T1-Weighted Contrast-Enhanced 3D
MRI using Noisy Student-based Training [1.101002667958165]
本研究は, 未ラベルのT1cデータの大規模コーパスを活用するため, ノイズの多い学生による自己学習戦略により, フレームワークを前進させることを目的としている。
ラベル付き217とラベルなし1247のT1c試験を2倍のクロスバリデーションで行った。
ラベル付き試験のみを使用したフレームワークは、90%のBM検出感度で9.23の偽陽性を発生させ、一方、導入した学習戦略を使用したフレームワークは、9%の誤検出を減少させた。
論文 参考訳(メタデータ) (2021-11-10T21:44:57Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳(メタデータ) (2021-06-22T16:53:09Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳(メタデータ) (2021-06-01T01:32:03Z) - In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label
Selection Framework for Semi-Supervised Learning [53.1047775185362]
Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。
PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。
そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-15T23:29:57Z) - Anonymization of labeled TOF-MRA images for brain vessel segmentation
using generative adversarial networks [0.9854633436173144]
GAN(Generative Adversarial Network)は、予測特性を保持しながら、匿名画像を提供する可能性がある。
画像ラベル生成のための磁気共鳴血管造影 (MRA) パッチを用いて, 飛行時間(TOF)で3GANを訓練した。
各GANから生成された画像ラベルは、セグメント化のためのU-netのトレーニングに使用され、実際のデータでテストされた。
論文 参考訳(メタデータ) (2020-09-09T11:30:58Z)
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。