Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode
Analyse und Interpretation von Arrhythmien
Versandkostenfrei!
Versandfertig in 6-10 Tagen
79,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
In diesem Buch wird erläutert, wie ein tiefes generatives adversarisches Netzwerk, das auf einem großen Datensatz aufgebaut ist, Arrhythmien genauer erkennen kann als Ärzte. Darüber hinaus wird die Merkmalsextraktion traditionell als wesentlicher Bestandteil der Elektrokardiogramm-Arrhythmie-Klassifizierung angesehen. Ziel dieser Forschungsarbeit ist die Untersuchung der EKG-Arrhythmie-Klassifizierung mithilfe eines tiefen, dichten generativen adversarischen Netzwerks. Der in diesem Buch vorgestellten GAN-Architektur kann beigebracht werden, EKG-Signale zu erzeugen, die mit realen EKG-Sign...
In diesem Buch wird erläutert, wie ein tiefes generatives adversarisches Netzwerk, das auf einem großen Datensatz aufgebaut ist, Arrhythmien genauer erkennen kann als Ärzte. Darüber hinaus wird die Merkmalsextraktion traditionell als wesentlicher Bestandteil der Elektrokardiogramm-Arrhythmie-Klassifizierung angesehen. Ziel dieser Forschungsarbeit ist die Untersuchung der EKG-Arrhythmie-Klassifizierung mithilfe eines tiefen, dichten generativen adversarischen Netzwerks. Der in diesem Buch vorgestellten GAN-Architektur kann beigebracht werden, EKG-Signale zu erzeugen, die mit realen EKG-Signalen vergleichbar sind. Die Ergebnisse zeigen, dass die Verwendung einer sequenzbasierten Strategie für alle EKG-Schlagtypen die Fläche unter der Kurve auf unserem Testsatz erheblich verbessert. Die herkömmliche Architektur berücksichtigt diese Struktur nicht und leidet daher unter einer geringeren Leistung, wenn eine solche Struktur informativ ist. In diesem Buch wird die vorgeschlagene Technikmit der Kernel-Prinzipal-Komponenten-Analyse mit inkrementeller Support-Vektor-Regression, diskreten Wavelet-Transformationen mit inkrementeller Support-Vektor-Regression und allgemeinen spärlichen neuronalen Netzen verglichen. Aus den erzielten Ergebnissen wird geschlossen, dass die vorgeschlagene GAN-Technik diesen drei Methoden mit einer Gesamtgenauigkeit von 97,44 Prozent überlegen ist.
Andere Kunden interessierten sich für
