MS-QI: A Modulation Spectrum-Based ECG Quality Index for Telehealth Applications
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
As telehealth applications emerge, the need for accurate and reliable biosignal quality indices has increased. One typical modality used in remote patient monitoring is the electrocardiogram (ECG), which is inherently susceptible to several different noise sources, including environmental (e.g., powerline interference), experimental (e.g., movement artifacts), and physiological (e.g., muscle and breathing artifacts). Accurate measurement of ECG quality can allow for automated decision support systems to make intelligent decisions about patient conditions. This is particularly true for in-home monitoring applications, where the patient is mobile and the ECG signal can be severely corrupted by movement artifacts. In this paper, we propose an innovative ECG quality index based on the so-called modulation spectral signal representation. The representation quantifies the rate of change of ECG spectral components, which are shown to be different from the rate of change of typical ECG noise sources. The proposed modulation spectral-based quality index, MS-QI, was tested on 1) synthetic ECG signals corrupted by varying levels of noise, 2) single-lead recorded data using the Hexoskin garment during three activity levels (sitting, walking, running), 3) 12-lead recorded data using conventional ECG machines (Computing in Cardiology 2011 dataset), and 4) two-lead ambulatory ECG recorded from arrhythmia patients (MIT-BIH Arrhythmia Database). Experimental results showed the proposed index outperforming two conventional benchmark quality measures, particularly in the scenarios involving recorded data in real-world environments.
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 | 0,001 |
| 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) | 0,000 | 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