Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Optimizing Q-Learning with K-FAC Algorithm Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Online Augmentation for Quality Improvement of Neural Networks for Classification of Single-Channel Electrocardiograms

verfasst von : Valeriia Guryanova

Erschienen in: Analysis of Images, Social Networks and Texts

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Currently, on the market, there are mobile devices that are capable of reading a person’s single-lead electrocardiogram (ECG). These ECGs can be used to solve problems of determining various diseases. Neural networks are onearameters of augmentations of the approaches to solving such problems. In this paper, the usage of online augmentation during the training of neural networks was proposed to improve the quality of the ECGs classification. The possibility of using various types of online augmentations was explored. The most promising methods were highlighted. Experimental studies showed that the quality of the classification was improved for various tasks and various neural network architectures.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Comparison of Machine Learning Algorithms in Restaurant Revenue Prediction
Nächstes Kapitel Guided Layer-Wise Learning for Deep Models Using Side Information
Literatur
1.
Ribeiro, A.H., et al.: Automatic Diagnosis of Short-Duration 12-Lead ECG using a Deep Convolutional Network. arXiv preprint arXiv:​1811.​12194 (2018)
2.
3.
4.
5.
6.
Zihlmann, M., Perekrestenko, D., Tschannen, M.: Convolutional recurrent neural networks for electrocardiogram classification. In: 2017 Computing in Cardiology (CinC). IEEE (2017)
7.
8.
Schlüter, J., Grill, T.: Exploring data augmentation for improved singing voice detection with neural networks. In: ISMIR (2015)
9.
Le Guennec, A., Malinowski, S., Tavenard, R.: Data augmentation for time series classification using convolutional neural networks. In: ECML/PKDD Workshop on Advanced Analytics and Learning on Temporal Data (2016)
10.
Tan, J.H., et al.: Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals. Comput. Biol. Med. 94, 19–26 (2018)CrossRef
11.
12.
13.
Liu, C.L.: A Tutorial of the Wavelet Transform, p. 1–72. National Taiwan University, Department of Electrical Engineering (NTUEE), Taiwan (2010)
14.
Rajpurkar, P., et al.: Cardiologist-level arrhythmia detection with convolutional neural networks. arXiv preprint arXiv:​1707.​01836 (2017)
15.
He, K., et al.: Deep residual learning for image recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (2016)
16.
Clifford, G.D., et al.: AF classification from a short single lead ECG recording: the PhysioNet/Computing in Cardiology Challenge 2017. In: 2017 Computing in Cardiology (CinC). IEEE (2017)
Metadaten
Titel
Online Augmentation for Quality Improvement of Neural Networks for Classification of Single-Channel Electrocardiograms
verfasst von
Valeriia Guryanova
Copyright-Jahr
2020
Buch
Analysis of Images, Social Networks and Texts

Print ISBN: 978-3-030-39574-2

Electronic ISBN: 978-3-030-39575-9

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-39575-9_5