Un nuevo enfoque de GAN anclado que separa las variaciones temporales y de amplitud mejora la generación de ECG sintéticos y la clasificación posterior.
La síntesis de electrocardiogramas (ECG) es una tarea desafiante debido a la compleja naturaleza dinámica de las señales de ECG. En este artículo, presentamos un enfoque novedoso para la síntesis de ECG basado en Redes Generativas Antagónicas. Estudiamos cómo incorporar el conocimiento previo sobre patrones morfológicos de ECG en la generación de datos sintéticos. Demostramos cómo mejorar la modelización de las complejas dinámicas de las señales de ECG al separar las variaciones temporales de las de amplitud. Para evaluar nuestra propuesta, consideramos señales de ECG tomadas de la base de datos de arritmias MIT-BIH para entrenar nuestros modelos. Los resultados experimentales obtenidos demuestran la eficacia de nuestro enfoque para generar señales de ECG sintéticas y mejorar la clasificación de ECG.
Neifar et al. (Mon,) estudiaron esta cuestión.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: