Generative Adversarial Network Based Improved Transfer Learning Models for Chronic Heart Failure Detection
Notice bibliographique
Résumé
Chronic heart failure (CHF) detection remains a critical challenge in healthcare due to its complex and multifactorial nature.Heart sound analysis serves an important part in identifying cardiovascular disease; however, the availability of balanced datasets for training machine learning models remains a challenge due to inherent class imbalances.To address this, an inception-based Generative Adversarial Networks (GAN) method is proposed to acquire the distribution of heart sound classes and generate synthetic samples for underrepresented classes.The model is applied to the unbalanced PhysioNet dataset of heart sound signals, and features extracted from real and synthetic data are combined into feature vectors, enabling feature fusion, which are passed to various classification models.This study attempts to fine-tune pre-trained convolutional neural network models, specifically VGG16 and MobileNet for classification of Heart sound signals.The results of proposed models are compared with and without GAN model on heart sound signals and gets significant improvement with KNN Hyper parameter tuning, Proposed Autoencoder + CNN model and Fine-tune MobileNet and VGG16 algorithm.KNN hyperparameter tuning refines the model's decision boundaries for better classification accuracy, while the Autoencoder + CNN architecture leverages deep feature learning to extract high-level representations, enhancing diagnostic precision.The model outperforms machine learning and deep learning models, improving overall recall and F1-score by approximately 8%.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».