Discriminative sparse coding of ECG during ventricular arrhythmias using LC-K-SVD approach
Notice bibliographique
Résumé
Ventricular tachycardia (VT) and ventricular fibrillation (VF) are two major types of ventricular arrhythmias that results due to abnormalities in the electrical activation in the ventricles of the heart. VF is the lethal of the two arrhythmias, which may lead to sudden cardiac death. The treatment options for the two arrhythmias are different. Therefore, detection and characterization of the two arrhythmias is critical to choose appropriate therapy options. Due to the time-varying nature of the signal content during cardiac arrhythmias, modeling and extracting information from them using time and frequency localized functions would be ideal. To this effect, in this work, we perform discriminative sparse coding of the ECG during ventricular arrhythmia with hybrid time-frequency dictionaries using the recently introduced Label consistent K-SVD (LC-K-SVD) approach. Using 944 segments of ventricular arrhythmias extracted from 23 patients in the Malignant Ventricular Ectopy and Creighton University Tachy-Arrhythmia databases, an overall classification accuracy of 71.55% was attained with a hybrid dictionary of Gabor and symlet4 atoms. In comparison, for the same database and non-trained dictionary (i.e the original dictionary) the classification accuracy was found to be 62.71%. In addition, the modeling error using the trained dictionary from LC-K-SVD approach was found to be significantly lower to the one using the non-trained dictionary.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».