面提升机器学习分类的新型数据增强工具：更高阶动态模态分解在心脏疾病识别中的新应用
图像与视频处理
2024-11-26 v1 计算机视觉与模式识别
摘要
本文提出一种数据驱动的模态分解方法——更高阶动态模态分解（HODMD），并将其与卷积神经网络（CNN）结合，以提高使用经声动物学图像进行的几种心脏疾病分类准确率。HODMD 算法首先用作经声动物学数据集的特征提取技术，这些数据来自健康小鼠以及患有不同心脏疾病（糖尿病心肌病、肥胖、TAC 心肌肥大和心肌梗死）的小鼠。本文共使用 130 套经声动物学数据集。通过 HODMD 算法识别并表示与每种心脏疾病相关的主导特征的一组 DMD 模�，然后用作 CNN 的输入。在某种意义上，数据库维度得到扩充，因此 HODMD 被用于机器学习框架中的数据增强。六套原始经声动物学数据库被保留作为不可见数据，用于测试 CNN 性能的效果。为展示 HODMD 技术的有效性，本文研究了两个测试案例：首先仅使用原始经声动物学图像训练 CNN，其次使用原始图像与 DMD 模式的组合训练 CNN。设计的训练 CNN 的分类性能显示，结合原始图像与 DMD 模式可在所有测试案例中提升结果，准确率提升最高可达 22%。这些结果表明，HODMD 算法作为数据增强技术的潜力巨大。
引用
@article{arxiv.2411.15809,
title = {A Novel Data Augmentation Tool for Enhancing Machine Learning Classification: A New Application of the Higher Order Dynamic Mode Decomposition for Improved Cardiac Disease Identification},
author = {Nourelhouda Groun and Maria Villalba-Orero and Lucia Casado-Martin and Enrique Lara-Pezzi and Eusebio Valero and Jesus Garicano-Mena and Soledad Le Clainche},
journal= {arXiv preprint arXiv:2411.15809},
year = {2024}
}
备注
12 pages, 6 figures, 2 tables