A genetic segmentation of ECG signals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper is concerned with a development of a segmentation technique for electrocardiogram (ECG) signals. Such segmentation is aimed at a lossy signal compression in which each segment can be captured by a simple geometric construct such as, e.g., a linear or quadratic function. The crux of the proposed construct lies in the determination of the optimal segments of data over which they exhibit the highest possible monotonicity (or lowest variability) of the ECG signal. In this sense, the proposed approach generalizes a fundamental and commonly encountered problem of function (data) linearization. The segments are genetically developed using a standard technique of genetic algorithms (GAs). The two fundamental GA constructs, namely a topology of a chromosome and a fitness function governing the optimization process are discussed in detail. The chromosome being coded as a series of floating point numbers contains the endpoints of the segments (segmentation points). The fitness function to be maximized quantifies a level of monotonicity of the ECG data encountered within the segments and takes into consideration differences between the extreme values (minimum and maximum) of its derivatives. As a result of the genetic optimization, we build segments of ECG signals encompassing monotonic (increasing or decreasing) regions of the signal exhibiting a minimal level of variability. A series of experiments dealing with several classes of ECG signals (namely, normal, left bundle branch block beat, and right bundle branch block beat) visualize the effectiveness of the approach and shows the specificity of the linear segments of data. Furthermore, we elaborate on the relationship between the values of the fitness function and the approximation capabilities (quantified by a sum of squared errors between the local model and the data) of the segments of the signal and show that these two descriptors are highly related.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle