論文の概要: Improving performance of heart rate time series classification by
grouping subjects
- arxiv url: http://arxiv.org/abs/2311.13285v1
- Date: Wed, 22 Nov 2023 10:08:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 15:32:51.219225
- Title: Improving performance of heart rate time series classification by
grouping subjects
- Title(参考訳): グループ分けによる心拍数時系列分類の性能向上
- Authors: Michael Beekhuizen (1), Arman Naseri (1 and 2), David Tax (1), Ivo van
der Bilt (2), Marcel Reinders (1) ((1) Delft University of Technology, (2)
Haga Teaching Hospital)
- Abstract要約: 精度はウィンドウ/ストライドサイズの選択に敏感である。
被験者の変動を最小限にするために様々な技術が用いられた。
心拍数時系列は、アクティビティの予測のような分類タスクに利用することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unlike the more commonly analyzed ECG or PPG data for activity
classification, heart rate time series data is less detailed, often noisier and
can contain missing data points. Using the BigIdeasLab_STEP dataset, which
includes heart rate time series annotated with specific tasks performed by
individuals, we sought to determine if general classification was achievable.
Our analyses showed that the accuracy is sensitive to the choice of
window/stride size. Moreover, we found variable classification performances
between subjects due to differences in the physical structure of their hearts.
Various techniques were used to minimize this variability. First of all,
normalization proved to be a crucial step and significantly improved the
performance. Secondly, grouping subjects and performing classification inside a
group helped to improve performance and decrease inter-subject variability.
Finally, we show that including handcrafted features as input to a deep
learning (DL) network improves the classification performance further.
Together, these findings indicate that heart rate time series can be utilized
for classification tasks like predicting activity. However, normalization or
grouping techniques need to be chosen carefully to minimize the issue of
subject variability.
- Abstract(参考訳): より一般的に分析される活動分類用ECGやPSGデータとは異なり、心拍数時系列データは詳細ではなく、しばしばノイズが多く、データポイントが欠落している。
BigIdeasLab_STEPデータセットは、個人によって実行される特定のタスクに注釈付けされた心拍数時系列を含む。
解析の結果,精度はウィンドウ/ストライドサイズの選択に敏感であることがわかった。
また,心臓の物理的構造の違いにより,被験者間で異なる分類性能が認められた。
この変動を最小限にするために様々な技術が用いられた。
まず第一に、正規化は重要なステップであり、性能を大幅に改善した。
第二に、グループ分けとグループ内の分類は、パフォーマンスの向上とオブジェクト間の変動の低減に寄与した。
最後に,Deep Learning (DL) ネットワークへの入力として手作り機能を含めることで,分類性能をさらに向上することを示す。
これらの結果から,心拍数時系列は活動予測などの分類タスクに利用できることが示唆された。
しかしながら、対象変数の問題を最小化するために、正規化やグループ化のテクニックを慎重に選択する必要がある。
関連論文リスト
- VSFormer: Value and Shape-Aware Transformer with Prior-Enhanced Self-Attention for Multivariate Time Series Classification [47.92529531621406]
識別パターン(形状)と数値情報(値)の両方を組み込んだVSFormerを提案する。
さらに、教師付き情報から派生したクラス固有の事前情報を抽出し、位置エンコーディングを強化する。
30のUEAアーカイブデータセットに対する大規模な実験は、SOTAモデルと比較して、我々の手法の優れた性能を示す。
論文 参考訳(メタデータ) (2024-12-21T07:31:22Z) - Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。
本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。
そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
論文 参考訳(メタデータ) (2023-12-07T18:37:43Z) - Balanced Classification: A Unified Framework for Long-Tailed Object
Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。
本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。
BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文 参考訳(メタデータ) (2023-08-04T09:11:07Z) - Robust Explainer Recommendation for Time Series Classification [4.817429789586127]
時系列分類は、人間の活動認識、スポーツ分析、一般的な感覚といった分野に共通する課題である。
近年,サリエンシマップの形での説明を提供するため,時系列に多種多様な手法が提案され,適用されている。
本稿では,時系列分類のための説明手法を定量的に評価し,ランク付けするための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2023-06-08T18:49:23Z) - Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。
対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。
本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文 参考訳(メタデータ) (2023-03-21T15:02:50Z) - Encoding Cardiopulmonary Exercise Testing Time Series as Images for
Classification using Convolutional Neural Network [9.227037203895533]
エクササイズテストは半世紀以上にわたって利用可能であり、様々な疾患の患者の診断および予後情報のための汎用的なツールである。
本研究では,Glamian Angular Field と Markov Transition Field を用いて時系列を画像としてエンコードする。
心不全とメタボリックシンドロームの分類において,畳み込みニューラルネットワークとアテンションプールアプローチを用いて検討した。
論文 参考訳(メタデータ) (2022-04-26T16:49:06Z) - Self-supervised Pretraining with Classification Labels for Temporal
Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。
検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。
本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文 参考訳(メタデータ) (2021-11-26T18:59:28Z) - Learnable Dynamic Temporal Pooling for Time Series Classification [22.931314501371805]
本稿では,セグメントレベルの特徴を集約することにより,隠れ表現の時間的サイズを低減する動的時間的プーリング(DTP)手法を提案する。
時系列全体の分割を複数のセグメントに分割するために,動的時間ゆがみ(dtw)を用いて各時間点を時間順に整列し,セグメントの原型的特徴を示す。
完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴を抽出するのに役立つ。
論文 参考訳(メタデータ) (2021-04-02T08:58:44Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳(メタデータ) (2020-11-16T05:17:29Z) - Complexity Measures and Features for Times Series classification [0.0]
本稿では,時系列分類問題に対する時系列構造に関する情報を抽出できる特徴セットを提案する。
提案手法の実験結果から, 最先端モデルの2次モデルと3次モデルとに統計的に有意な差は認められなかった。
論文 参考訳(メタデータ) (2020-02-27T11:08:08Z)
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。