딥러닝 모델을 훈련하는 데 사용되는 학습데이터는 실제 현상에서 수집한 데이터이다. 따라서 학습 데이터 클래스 분포의 불균형에 의해 모델의 성능이 크게 저하될 가능성이 있다. 이 문제의 구체적인 예로 오늘날의 기계 학습 기술을 이용한 자동 부정맥 감지는 정상적인 심장 박동과 비정상적인 심박동 간 데이터 비율의 커다란 불균형으로 인해 항상 어려웠다. 게다가, 연구원들은 항상 많은 계산량이 요구되는 ...
딥러닝 모델을 훈련하는 데 사용되는 학습데이터는 실제 현상에서 수집한 데이터이다. 따라서 학습 데이터 클래스 분포의 불균형에 의해 모델의 성능이 크게 저하될 가능성이 있다. 이 문제의 구체적인 예로 오늘날의 기계 학습 기술을 이용한 자동 부정맥 감지는 정상적인 심장 박동과 비정상적인 심박동 간 데이터 비율의 커다란 불균형으로 인해 항상 어려웠다. 게다가, 연구원들은 항상 많은 계산량이 요구되는 데이터 전처리에 의존했고, 그로인해 그들은 상당한 계산 능력을 갖춘 값 비싼 ECG 장치에서만 그들의 방법을 사용할 수 있었다. 본 논문에서는batch-weighted loss function을 사용하는deep convolutional neural network구조를 제안한다. loss-weights는 배치 당 각 클래스에 대해 동적으로 계산된다. 제안된 모델은 심장박동을 분류하는 데 뛰어나고, 심한 불균형 데이터 문제를 극복한다. 또한 데이터 전처리 과정없이 1-lead ECG 장치만 사용하여 최첨단의 결과를 얻을 수 있다. 제안된 모델은 두 가지 다른 평가 패러다임에서 다른 고전적이거나 새로운 접근법보다 우위에 있다. 우리는 제안하는 방법을 구현 및 테스트한 후, 개념을 증명하기 위해 간단한 저비용 ECG 장치를 만들어 실시간 분류해봄으로써 제안된 방법을 테스트한다.
딥러닝 모델을 훈련하는 데 사용되는 학습데이터는 실제 현상에서 수집한 데이터이다. 따라서 학습 데이터 클래스 분포의 불균형에 의해 모델의 성능이 크게 저하될 가능성이 있다. 이 문제의 구체적인 예로 오늘날의 기계 학습 기술을 이용한 자동 부정맥 감지는 정상적인 심장 박동과 비정상적인 심박동 간 데이터 비율의 커다란 불균형으로 인해 항상 어려웠다. 게다가, 연구원들은 항상 많은 계산량이 요구되는 데이터 전처리에 의존했고, 그로인해 그들은 상당한 계산 능력을 갖춘 값 비싼 ECG 장치에서만 그들의 방법을 사용할 수 있었다. 본 논문에서는batch-weighted loss function을 사용하는deep convolutional neural network구조를 제안한다. loss-weights는 배치 당 각 클래스에 대해 동적으로 계산된다. 제안된 모델은 심장박동을 분류하는 데 뛰어나고, 심한 불균형 데이터 문제를 극복한다. 또한 데이터 전처리 과정없이 1-lead ECG 장치만 사용하여 최첨단의 결과를 얻을 수 있다. 제안된 모델은 두 가지 다른 평가 패러다임에서 다른 고전적이거나 새로운 접근법보다 우위에 있다. 우리는 제안하는 방법을 구현 및 테스트한 후, 개념을 증명하기 위해 간단한 저비용 ECG 장치를 만들어 실시간 분류해봄으로써 제안된 방법을 테스트한다.
The fuel used to train deep learning models is the data collected from real world phenomena. Therefore, any explicit or implicit miss-representations of the data would cause a significant decrease in the performance. As a concrete example of this problem, automatic arrhythmia detection using modern ...
The fuel used to train deep learning models is the data collected from real world phenomena. Therefore, any explicit or implicit miss-representations of the data would cause a significant decrease in the performance. As a concrete example of this problem, automatic arrhythmia detection using modern machine learning techniques was always difficult due to the huge imbalance between normal heartbeats and abnormal ones. Furthermore, researchers always relied on heavy data pre-processing, which is computationally expensive, thus they limited the use of their methods only on expensive ECG devices with significant computing power. In this thesis, we propose a deep convolutional neural network architecture that uses a batch-weighted loss function. The loss-weights are calculated dynamically for each class per batch. The proposed model excels in classifying heartbeats and overcomes the severe imbalanced data problem. Also, it achieves state-of-the-art results without any data pre-processing and using only 1-lead ECG device. It outperforms other classical and novel approaches under two different evaluation paradigms. After building and testing the mentioned method, we build a simple low-cost ECG device and as a proof of concept, we test the proposed method on it for real-time classification.
The fuel used to train deep learning models is the data collected from real world phenomena. Therefore, any explicit or implicit miss-representations of the data would cause a significant decrease in the performance. As a concrete example of this problem, automatic arrhythmia detection using modern machine learning techniques was always difficult due to the huge imbalance between normal heartbeats and abnormal ones. Furthermore, researchers always relied on heavy data pre-processing, which is computationally expensive, thus they limited the use of their methods only on expensive ECG devices with significant computing power. In this thesis, we propose a deep convolutional neural network architecture that uses a batch-weighted loss function. The loss-weights are calculated dynamically for each class per batch. The proposed model excels in classifying heartbeats and overcomes the severe imbalanced data problem. Also, it achieves state-of-the-art results without any data pre-processing and using only 1-lead ECG device. It outperforms other classical and novel approaches under two different evaluation paradigms. After building and testing the mentioned method, we build a simple low-cost ECG device and as a proof of concept, we test the proposed method on it for real-time classification.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.