論文の概要: Augmentation of EEG and ECG Time Series for Deep Learning Applications: Integrating Changepoint Detection into the iAAFT Surrogates

• arxiv url: http://arxiv.org/abs/2504.03761v1
• Date: Wed, 02 Apr 2025 09:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:09:21.658539
• Title: Augmentation of EEG and ECG Time Series for Deep Learning Applications: Integrating Changepoint Detection into the iAAFT Surrogates
• Title（参考訳）: 深層学習のための脳波と心電図の時系列化:iAAFTサロゲートへの変更点検出の統合
• Authors: Nina Moutonnet, Gregory Scott, Danilo P. Mandic,
• Abstract要約: 非定常時系列を増大させる新しい方法を提案する。 これは、オフライン切換点検出と反復振幅調整フーリエ変換(iAAFT)を組み合わせることで実現される。 CHB-MITとシエナのデータセットはそれぞれ精度が4.4%、精度が1.9%、精度が10%、精度が5.5%、リコールが3.6%、リコールが0.9%、F1が4.2%、F1が1.4%だった。
• 参考スコア（独自算出の注目度）: 15.377534937558744
• License:
• Abstract: The performance of deep learning methods critically depends on the quality and quantity of the available training data. This is especially the case for physiological time series, which are both noisy and scarce, which calls for data augmentation to artificially increase the size of datasets. Another issue is that the time-evolving statistical properties of nonstationary signals prevent the use of standard data augmentation techniques. To this end, we introduce a novel method for augmenting nonstationary time series. This is achieved by combining offline changepoint detection with the iterative amplitude-adjusted Fourier transform (iAAFT), which ensures that the time-frequency properties of the original signal are preserved during augmentation. The proposed method is validated through comparisons of the performance of i) a deep learning seizure detection algorithm on both the original and augmented versions of the CHB-MIT and Siena scalp electroencephalography (EEG) databases, and ii) a deep learning atrial fibrillation (AF) detection algorithm on the original and augmented versions of the Computing in Cardiology Challenge 2017 dataset. By virtue of the proposed method, for the CHB-MIT and Siena datasets respectively, accuracy rose by 4.4% and 1.9%, precision by 10% and 5.5%, recall by 3.6% and 0.9%, and F1 by 4.2% and 1.4%. For the AF classification task, accuracy rose by 0.3%, precision by 2.1%, recall by 0.8%, and F1 by 2.1%.
• Abstract（参考訳）: ディープラーニング手法の性能は、利用可能なトレーニングデータの質と量に大きく依存する。 これは特に、ノイズと不足の両方があり、データセットのサイズを人工的に増加させるデータ拡張を要求する生理的時系列である。 もう一つの問題は、非定常信号の時間進化統計特性が標準データ拡張技術の使用を妨げることである。 そこで本研究では,非定常時系列を拡張化するための新しい手法を提案する。 これは、オフラインの切換点検出と反復振幅調整フーリエ変換(iAAFT)を組み合わせることで実現される。 提案手法は性能の比較によって検証される。 一 CHB-MIT及びシエナ頭皮脳波(EEG)データベースの原版及び増補版の深層学習発作検出アルゴリズム及び 二 深層学習心房細動(AF)検出アルゴリズムであって、2017年のComputer in Cardiology Challengeのデータセットの原型及び増補版に関するものである。 提案手法により,CHB-MITデータセットとシエナデータセットでは,精度が4.4%,精度が10%,精度が5.5%,リコールが3.6%,リコールが0.9%,F1が4.2%,F1が1.4%向上した。 AF分類タスクでは精度が0.3%、精度が2.1%、リコールが0.8%、F1が2.1%向上した。

関連論文リスト

• Improving EEG Classification Through Randomly Reassembling Original and Generated Data with Transformer-based Diffusion Models [12.703528969668062]
  本稿では,トランスフォーマーを用いた拡散確率モデルとデータに基づく拡張手法を提案する。 脳波信号の特徴として,信号の事前処理を行う定数要素スケーリング手法を提案する。 提案手法は,生成したデータを時間領域の原データでランダムに再集合し,ビジナルデータを取得する。
  論文  参考訳（メタデータ） (2024-07-20T06:58:14Z)
• Data augmentation method for modeling health records with applications to clopidogrel treatment failure detection [0.5957022371135096]
  提案手法は,訪問中の医療記録の順序を並べ替えることで,拡張データを生成する。 提案手法をクロピドレル処理障害検出タスクに適用することにより,ROC-AUCで最大5.3%の絶対改善が可能となった。
  論文  参考訳（メタデータ） (2024-02-28T04:47:32Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Data Augmentation for Seizure Prediction with Generative Diffusion Model [34.12334834099495]
  DiffEEGと呼ばれる新しい拡散型DA法を提案する。 データ分散を完全に探索し、多様性の高いサンプルを生成することができる。 DiffEEGの貢献により、マルチスケールCNNは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-06-14T05:44:53Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Conditional Generative Data Augmentation for Clinical Audio Datasets [36.45569352490318]
  本稿では,重み付き条件付きWasserstein Generative Adversarial Networkに基づく臨床オーディオデータセットのための新しいデータ拡張手法を提案する。 本手法を検証するため,THA(Total Hipplasty)手術中に実世界の手術室で記録された臨床オーディオデータセットを作成した。 生成した強化サンプルによるトレーニングは、分類精度の点で古典的な音声強調法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-22T09:47:31Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Deep Learning Based Classification of Unsegmented Phonocardiogram Spectrograms Leveraging Transfer Learning [0.0]
  心臓腫瘍は、聴診プロセス中に検出される最も一般的な異常です。 PCGデータセットは、PhystoNet/CinCとPASCAL(2011)の2種類があります。 本研究では,PhystoNetとPASCALデータセットの分類のための,新規で,より複雑で,比較的軽量なカスタムCNNモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:32:29Z)
• ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
  本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。 ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
  論文  参考訳（メタデータ） (2020-06-01T05:00:51Z)

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。