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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Revisiting the Disequilibrium Issues in Tackling Heart Disease Classification Tasks
عنوان مقاله به فارسی بازنگری مسائل عدم تعادل در مقابله با وظایف طبقه‌بندی بیماری‌های قلبی
نویسندگان Thao Hoang, Linh Nguyen, Khoi Do, Duong Nguyen, Viet Dung Nguyen
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
دسته بندی موضوعات Machine Learning,Signal Processing,یادگیری ماشین , پردازش سیگنال ,
توضیحات Submitted 19 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال شده در 19 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 440,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.