Name: Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (en Alemán)
Price: 99.49 USD
Availability: InStock
Author: Sanamdikar, Sanjay ; Hamde, Satish ; Asutkar, Vinayak
ISBN: 9786206959809

portada Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (en Alemán)

Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (en Alemán)

Formato

Libro Físico

Autor

Editorial

Idioma

Alemán

N° páginas

148

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.9 cm

Peso

0.23 kg.

ISBN13

9786206959809

Categorías

Consejos sobre carreras profesionales y cómo alcanzar el éxito

Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (en Alemán)

Sanjay Sanamdikar (Autor) · Vinayak Asutkar (Autor) · Satish Hamde (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 25 a 32 días háb.

$ 180.89$ 99.49

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 99.49

Llega entre el 16 Sep y el 29 Sep a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (en Alemán)"

In diesem Buch wird erläutert, wie ein tiefes generatives adversarisches Netzwerk, das auf einem gro en 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.