本文提出一种基于生成式对抗网络(GANs)和统计的心电图(ECG)数据建模的新方法,以在 ECG 信号生成任务中利用先前对 ECG 信号动态特性的理解,在 MIT-BIH 心律失常数据库中进行实验验证,结果表明以 2-D 格式建模 ECG 信号的时间和幅度变化可以生成更真实的信号并提高最新的心律失常分类基线的性能。
Oct, 2022
本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题,并通过使用生成对抗网络技术来增强数据集以改善网络性能,结果表明这种方法适用于低数据的情况,是值得进一步研究的领域。
Jul, 2021
本文提出了使用生成对抗网络(GAN)生成机器学习任务的人工训练数据,以解决样本不平衡问题与个人隐私数据问题,在多个基准数据集上测试表明,使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.
Apr, 2019
本研究采用条件生成对抗网络,同时生成不同类别的 ECG 信号和检测心脏异常情况,且基于类别特定的 ECG 信号合成逼真的对抗例子,相比其他分类模型,在检测正常 / 异常 ECG 信号方面表现出更好的性能。
本文使用生成式对抗网络(GAN)生成的合成数据来增加医学成像训练数据集的样本数量,从而提高监督式机器学习算法对图像分割任务的性能。
Oct, 2018
本文研究应用生成对抗网络(GANs)生成真实且无隐私顾虑的电信号数据,用于医疗培训和数据分析,并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号,并且能够经受住简单的成员推断攻击,保证了训练集的隐私。
Sep, 2019
使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的,然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。
Jun, 2023
在信用卡欺诈检测中,机器学习被广泛运用,但因为样本集类别分布存在不平衡,这可能导致模型预测全部为多数类别而无法推广到真实情况。因此,我们使用生成对抗网络来生成一些少数类别虚拟数据,以缓解类别分布不平衡问题,从而更有效地学习数据。
Jun, 2022
本论文提出了一种将生成对抗网络(GAN)用于数据增强的方法,以解决标签分布不均衡导致的图像分类困难,特别是在情感分类中,实验结果表明,使用 GAN 进行数据增强,可以使分类准确率提高 5%〜10%。
Nov, 2017
该研究通过扩展 SimGAN 方法来调整一维数据,并修改基因编程框架 ezCGP 以进化 SimGAN,以评估新的定量指标,并使用该框架来增强心电图数据集,以提高异常心电分类器的准确性。
May, 2022