Life-Threatening Ventricular Arrhythmia Detection With Personalized Features
Notice bibliographique
Résumé
The timely detection of life-threatening ventricular arrhythmias (VAs) is critical for saving a patient's life. General features that characterize ECG waveforms are extracted for VA detection. To take into account the subtle differences in the QRS complexes among different people, new personalized features are proposed in this paper based on the correlation coefficient between a patient-specific regular QRS-complex template and his/her real-time ECG data. Small sets of the most effective features are chosen with support vector machines from 11 newly extracted and 15 previously existing features, for efficient performance and real-time operation. Our proposed new features aveCC and medianCC are verified to be effective in enhancing the performance of existing features under both the record-based and database-based data divisions. Through 50-time random record-based data divisions, all combinations of two features and three features are tested. The top two-feature combination is VFleak and aveCC, which achieves an area under curve (AUC) value of 98.56%±0.89%, a specificity (SP) of 94.80%±2.15%, and an accuracy (ACC) of 94.66% ± 1.97%; the top three-feature combination is VFleak, MEA, and aveCC, which obtains an AUC of 98.98% ± 0.58%, an SP of 95.56% ± 1.45%, and an ACC of 95.46% ± 1.36%; these results outperform the previous top-two and top-three feature combinations. Similar results are obtained on the database-based data division.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».