深層学習と連続ウェーブレット変換を使用して、心拍心電図のデータを分類します。

この例では、ウェーブレット時間散乱とサポート ベクター マシン (SVM) 分類器を使用して人間の心電図 (ECG) 信号を分類する方法を示します。ウェーブレット散乱で、データは、時系列の低分散表現を作成するために一連のウェーブレット変換、非線形性、および平均化全体に伝播されます。ウェーブレット時間散乱によって、クラス判別性を犠牲にすることなく入力信号へのシフトに影響しない信号表現が得られます。この例を実行するには、Wavelet Toolbox™ および Statistics and Machine Learning Toolbox™ が必要です。この例で使用されているデータは、PhysioNet から公的に入手可能です。この例のこの分類問題に対する深層学習方法ウェーブレット解析と深層学習を使用した時系列の分類とこの例の機械学習方法ウェーブレットベースの特徴とサポート ベクター マシンを使用した信号分類を参照してください。

Classify the genre of a musical excerpt using wavelet time scattering and the audio datastore.

Classify human phonocardiogram recordings using wavelet time scattering and a support vector machine classifier.

この例では、機械学習と深層学習の両方の手法を使用して数字音声を分類する方法を説明します。この例では、ウェーブレット時間散乱をサポート ベクター マシン (SVM) および長短期記憶 (LSTM) ネットワークと組み合わせて分類を行います。また、ベイズ最適化を適用し、LSTM ネットワークの精度向上に適したハイパーパラメーターを判定します。さらに、この例では、深層畳み込みニューラル ネットワーク (CNN) とメル周波数スペクトログラムを用いた手法についても説明します。

Extract features on your GPU for signal classification.

この例では、音響シーン認識のためのマルチモデル後期融合システムを作成する方法を説明します。この例では、メル スペクトログラムと、ウェーブレット散乱によるアンサンブル分類器を使用して、畳み込みニューラル ネットワーク (CNN) に学習させます。ここでは TUT データセットを使用して学習と評価を行います [1]。

この例では、ウェーブレットベースの特徴抽出とサポート ベクター マシン (SVM) 分類器を使用して人間の心電図 (ECG) 信号を分類する方法を示します。生の ECG 信号を、異なるクラスを集計的に区別するのに役立つはるかに小さい特徴のセットに変換することで、信号分類の問題が単純化されます。この例を実行するには、Wavelet Toolbox™、Signal Processing Toolbox™、Statistics and Machine Learning Toolbox™ が必要です。この例で使用されているデータは、PhysioNet から公的に入手可能です。

Extract wavelet-based features on a GPU for image classification.

Use wavelet scattering for image classification.

Classify radar returns using machine and deep learning approaches.

Classify radar and communications waveforms using the Wigner-Ville distribution (WVD) and a deep convolutional neural network (CNN).

Use your GPU to accelerate feature extraction for signal classification.

この例では、連続ウェーブレット変換 (CWT) と深層畳み込みニューラル ネットワーク (CNN) を使用した人の心電図 (ECG) 信号を分類するワークフローを説明します。また、この例では、Raspberry Pi のターゲット (ARM® ベースのデバイス) で予測用のコードと CNN を生成して展開する方法に関する情報も提供します。

この例では、ウェーブレットと深層学習の手法を使用して、舗装の横断亀裂を検出し、その位置を特定する方法を示します。この例では、ウェーブレット散乱シーケンスをゲート付き回帰ユニット (GRU) および 1 次元畳み込みネットワークへの入力として使用して、亀裂の有無に基づいて時系列を分類する方法を示します。データは助手席シート側のフロント ホイールのサスペンション ナックルに取り付けられたセンサーから取得した垂直加速度測定値です。舗装性能の評価と維持管理のためには、発生する横断亀裂を早期に特定することが重要です。信頼性の高い自動検出手法により、より頻繁で広範な監視が可能になります。

この例では、連続ウェーブレット変換 (CWT) と事前学習済みの畳み込みニューラル ネットワーク (CNN) を使用して人間の心電図 (ECG) 信号を分類する CUDA® 実行可能ファイルを生成および展開する方法を説明します。

この例では、強力な信号処理手法と畳み込みニューラル ネットワークを組み合わせて使用して ECG 信号を分類する方法を示します。また、Simulink® モデルから CUDA® コードを生成する方法も紹介します。この例では、Wavelet Toolbox™ の "ウェーブレット解析と深層学習を使用した時系列の分類"の例の事前学習済み CNN ネットワークを使用して、時系列データの CWT からのイメージを基に ECG 信号を分類します。学習の詳細については、ウェーブレット解析と深層学習を使用した時系列の分類を参照してください。

Use wavelets to classify waveforms on a NVIDIA^®Jetson^®.