Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode | Analyse und Interpretation von Arrhythmien

Sanjay Sanamdikar (u. a.)

ISBN 10: 6206959805 / ISBN 13: 9786206959809

Published by Verlag Unser Wissen, 2023

About this Item

Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode | Analyse und Interpretation von Arrhythmien | Sanjay Sanamdikar (u. a.) | Taschenbuch | 148 S. | Deutsch | 2023 | Verlag Unser Wissen | EAN 9786206959809 | Verantwortliche Person für die EU: BoD - Books on Demand, In de Tarpen 42, 22848 Norderstedt, info[at]bod[dot]de | Anbieter: preigu.

Seller Inventory # 128193785

Bibliographic Details

• Title: Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode | Analyse und Interpretation von Arrhythmien
• Publisher: Verlag Unser Wissen
• Publication Date: 2023
• Language: German
• ISBN 10: 6206959805
• ISBN 13: 9786206959809
• Binding: Taschenbuch
• Condition: Neu
• Dimensions: 220W x 150H x 10D millimeters 220 millimeters width by 150 millimeters height by 10 millimeters depth
• Weight: 238 grams
• Seller catalogs:
  • Bücher

About this title

Synopsis

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 Technik mit 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.