ترجمه فارسی مقاله بازنگری مسائل عدم تعادل در مقابله با وظایف طبقه‌بندی بیماری‌های قلبی

چکیده

In the field of heart disease classification, two primary obstacles arise. Firstly, existing Electrocardiogram (ECG) datasets consistently demonstrate imbalances and biases across various modalities. Secondly, these time-series data consist of diverse lead signals, causing Convolutional Neural Networks (CNNs) to become overfitting to the one with higher power, hence diminishing the performance of the Deep Learning (DL) process. In addition, when facing an imbalanced dataset, performance from such high-dimensional data may be susceptible to overfitting. Current efforts predominantly focus on enhancing DL models by designing novel architectures, despite these evident challenges, seemingly overlooking the core issues, therefore hindering advancements in heart disease classification. To address these obstacles, our proposed approach introduces two straightforward and direct methods to enhance the classification tasks. To address the high dimensionality issue, we employ a Channel-wise Magnitude Equalizer (CME) on signal-encoded images. This approach reduces redundancy in the feature data range, highlighting changes in the dataset. Simultaneously, to counteract data imbalance, we propose the Inverted Weight Logarithmic Loss (IWL) to alleviate imbalances among the data. When applying IWL loss, the accuracy of state-of-the-art models (SOTA) increases up to 5% in the CPSC2018 dataset. CME in combination with IWL also surpasses the classification results of other baseline models from 5% to 10%.

چکیده به فارسی (ترجمه ماشینی)

در زمینه طبقه بندی بیماری های قلبی ، دو مانع اصلی بوجود می آیند.در مرحله اول ، مجموعه داده های الکتروکاردیوگرام موجود (ECG) به طور مداوم عدم تعادل و تعصب را در روشهای مختلف نشان می دهد.ثانیا ، این داده های سری زمانی شامل سیگنال های سرب متنوع است و باعث می شود شبکه های عصبی حلقوی (CNN) به یکی از قدرت های بالاتر بیش از حد تبدیل شوند ، از این رو عملکرد فرآیند یادگیری عمیق (DL) را کاهش می دهد.علاوه بر این ، هنگام مواجهه با یک مجموعه داده نامتوازن ، عملکرد از چنین داده های با ابعاد بالا ممکن است مستعد ابتلا به بیش از حد باشد.تلاش های فعلی عمدتاً بر افزایش مدل های DL با طراحی معماری های جدید متمرکز است ، با وجود این چالش های مشهود ، به ظاهر نادیده گرفته از مسائل اصلی ، بنابراین مانع پیشرفت در طبقه بندی بیماری های قلبی می شود.برای رفع این موانع ، رویکرد پیشنهادی ما دو روش ساده و مستقیم را برای تقویت وظایف طبقه بندی معرفی می کند.برای پرداختن به مسئله ابعاد بالا ، ما از اکولایزر بزرگی کانال (CME) در تصاویر رمزگذاری شده سیگنال استفاده می کنیم.این رویکرد باعث کاهش افزونگی در محدوده داده های ویژگی می شود و تغییرات در مجموعه داده را برجسته می کند.به طور همزمان ، برای مقابله با عدم تعادل داده ها ، ما از دست دادن لگاریتمی وزن معکوس (IWL) برای کاهش عدم تعادل بین داده ها پیشنهاد می کنیم.هنگام استفاده از ضرر IWL ، صحت مدل های پیشرفته (SOTA) در مجموعه داده CPSC2018 تا 5 ٪ افزایش می یابد.CME در ترکیب با IWL همچنین از نتایج طبقه بندی سایر مدل های پایه از 5 ٪ به 10 ٪ پیشی می گیرد.