你好! Shipping to Taiwan with premium packaging for just NT$300 

Ship to
Taiwan
0
  • argentina
  • chile
  • colombia
  • españa
  • méxico
  • perú
  • estados unidos
  • internacional

Select your country

Americas

Europe

Rest of the world

portada Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (in German)
Type
Physical Book
Language
German
Pages
148
Format
Paperback
Dimensions
22.9x15.2x0.9 cm
Weight
0.23 kg.
ISBN13
9786206959809

Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (in German)

Sanjay Sanamdikar (Author) · Vinayak Asutkar (Author) · Satish Hamde (Author) · Verlag Unser Wissen · Paperback

Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (in German) - Sanamdikar, Sanjay ; Hamde, Satish ; Asutkar, Vinayak

New Book Imported to Taiwan
Delivery: 14 Oct - 22 Oct Shipping: 13 to 14 business days.
NT$ 2,918
NT$ 2,918

Synopsis "Arrhythmieerkennung mithilfe der Generative Adversarial Network-Methode (in German)"

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.

Customers reviews

Frequently Asked Questions about the Book

All books in our catalog are Original.
The book is written in German.
The binding of this edition is Paperback.

Questions and Answers about the Book

Do you have a question about the book? Login to be able to add your own question.

Opinions about Bookdelivery

More customer reviews