Generation of Seismocardiography Heartbeats Using a Wasserstein Generative Adversarial Network With Feature Control
Notice bibliographique
Résumé
<italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Goal:</i> Seismocardiography (SCG) offers critical insights into cardiac performance, but its analysis often faces challenges due to the limited availability of data. This study aims to generate synthetic SCG heartbeats which can augment existing datasets to enable more research avenues. <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Methods</i>: We trained a Wasserstein generative adversarial network (GAN) with gradient penalty on authentic SCG heartbeats. It was conditioned with embedded subject-specific identifiers to create individualized heartbeats. We employed linear permutations in the latent and conditional spaces to control signal features, and a convolutional network to classify lung volume states from real and synthetic data separately. <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Results</i>: The model effectively replicated SCG signal morphology, while maintaining a level of variance which matches the variability of cardiac activity. Comparisons with real SCG waveforms yielded Pearson's r-squared correlation of 0.62 for average heartbeats. Linear manipulations were successful in controlling simple features although they were limited in more complex characteristics. Additionally, the model demonstrated strong performance in practical applications, with the synthetic data achieving an accuracy of 88% in lung volume classification as compared to 89% achieved with real data. Augmenting real data with additional synthetic data improved performance by 3%. <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Conclusions</i>: GANs for artificial SCG heartbeat generation produce realistic and diverse results that have the potential to overcome data limitations, thereby enhancing SCG-based research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».