- Automatischer Aufbau eines mehrschichtigen Perzeptron-Netzwerks aus Streaming-Beispielen (arXiv)
Autor: Mahardhika Pratama, Choiru Za’in, Andri Ashfahani, Yew Soon Ong, Weiping Ding
Zusammenfassung: Der autonome Aufbau eines tiefen neuronalen Netzwerks (DNNs) ist für Datenströme erwünscht, da er potenziell zwei Vorteile bietet: die richtige Kapazität des Modells und eine schnelle Reaktion auf Drift und Verschiebung. Während der Selbstorganisationsmechanismus von DNNs ein offenes Thema bleibt, ist die Entwicklung dieser Aufgabe für Customary-Mehrschicht-DNNs noch schwieriger als diejenige, die Strukturen unterschiedlicher Tiefe verwendet, da das Hinzufügen einer neuen Schicht zu einem Informationsverlust der vorherigen führt geschultes Wissen. In diesem Artikel wird ein neuronales Netzwerk mit dynamisch entwickelter Kapazität (NADINE) vorgeschlagen. NADINE verfügt über eine vollständig offene Struktur, deren Netzwerkstruktur, Tiefe und Breite automatisch und on-line und ohne den Einsatz problemspezifischer Schwellenwerte von Grund auf weiterentwickelt werden kann. NADINE ist nach einer Customary-MLP-Architektur strukturiert und das katastrophale Vergessensproblem während der Section des Hinzufügens verborgener Schichten wird durch den Vorschlag von Tender-Forgetting- und adaptiven Speichermethoden gelöst. Der Vorteil von NADINE, nämlich die elastische Struktur und das On-line-Lernmerkmal, wird mithilfe von neun Datenstromklassifizierungs- und Regressionsproblemen numerisch validiert, wobei es bei allen Problemen eine Leistungsverbesserung gegenüber prominenten Algorithmen zeigt. Darüber hinaus ist es in der Lage, Datenstromregressions- und Klassifizierungsprobleme gleichermaßen intestine zu lösen.
2.Herzschlagklassifizierung in Wearables mithilfe von mehrschichtigem Perzeptron und gemeinsamer Zeit-Frequenz-Verteilung des EKG (arXiv)
Autor: Anup Das, Francky Catthoor, Siebren Schaafsma
Zusammenfassung: Die Herzschlagklassifizierung mithilfe von Elektrokardiogrammdaten (EKG) ist eine wichtige unterstützende Technologie für tragbare Gesundheitslösungen. Wir schlagen eine Klassifizierung von Herzschlagmerkmalen vor, die auf einer neuartigen, spärlichen Darstellung unter Verwendung der gemeinsamen Zeit-Frequenz-Verteilung des EKG basiert. Grundlegend hierfür ist ein mehrschichtiges Perzeptron, das diese Signaturen zur Erkennung von Herzrhythmusstörungen einbezieht. Dieser Ansatz wird mit EKG-Daten aus der MIT-BIH-Arrhythmiedatenbank validiert. Die Ergebnisse zeigen, dass unser Ansatz eine durchschnittliche Genauigkeit von 95,7 % aufweist, was einer Verbesserung von 22 % gegenüber modernsten Ansätzen entspricht. Darüber hinaus erzeugen spärlich verteilte EKG-Darstellungen nur 3,7 % falsch-negative Ergebnisse, was einer Reduzierung um 89 % im Vergleich zu bestehenden EKG-Signalklassifizierungstechniken entspricht
