通过选择性增强提升全卷积网络精度及其在心电图数据中的应用
信号处理
2021-11-09 v2 机器学习
摘要
深度学习方法已显示出对健康和医疗领域时间序列分类的适用性，在心电图数据分类上取得了有前景的结果。成功识别心肌梗死具有挽救生命的潜力，任何在此领域对深度学习模型的有意义改进都备受关注。 conventionally，当数据有限时，数据增强方法被普遍应用于训练集以改善数据分辨率或样本量。在本研究提出的方法中，数据增强并非应用于数据稀缺的情形。相反，我们对产生低置信度预测的样例进行选择性增强，以加强模型对与给定类别关联较弱的特征或模式的敏感性。该方法被测试用于提升全卷积网络（Fully Convolutional Network）的性能。所提方法对心肌梗死分类达到了90%的准确率，而基线为82%，提升显著。此外，所提方法的准确率在界定低置信度样例的资格上限阈值附近最优，并随该阈值提高以纳入更高置信度样例而下降。这表明，专门针对较低置信度样例进行数据增强，对使用全卷积网络的心电图数据分类具有明显益处。
引用
@article{arxiv.2104.12284,
title = {Accuracy Improvement for Fully Convolutional Networks via Selective Augmentation with Applications to Electrocardiogram Data},
author = {Lucas Cassiel Jacaruso},
journal= {arXiv preprint arXiv:2104.12284},
year = {2021}
}