Comparing three methods of calculating temporal ECG patterns from body surface potential maps
Notice bibliographique
Résumé
The objective of this study was to compare three methods for reducing temporal data from multiple-lead electrocardiograms (ECG) based on applying the Karhunen Loeve (KL) expansion. ECGs from 117 unipolar thoracic leads were recorded simultaneously for 15 seconds during normal sinus rhythm from 204 patients with underlying heart disease. The data were signal-averaged, then QRST and QRS intervals were normalized to 401 and 101 data points, respectively. Method A calculated a covariance matrix and Method B a correlation matrix from the 204 m by n data matrices (m=401 or 101, n=117). The two matrices were then factored to yield two sets of eigen functions. Method C calculated the eigen functions using an iterative approach in an attempt to approximate the results of factoring the entire 23,868 by 23,868 matrix. The matrix was dimensioned m by n, with m=102 and n=either 401 or 101. The first 102 leads were used to calculate a covariance matrix, which was then factored. The 52 eigen functions associated with the 51 largest eigen values plus the next 51 leads were included in a new data matrix and the process of calculating the covariance matrix and the new data matrix was repeated until all 23,868 leads were included. The results illustrated that while Method C was more computationally intensive, it provided the most effective method for representing the salient ECG features for both the QRST and the QRS interval based on the error assessment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».