MétaCan
Menu
Retour à la cohorte
Enregistrement W2755606614 · doi:10.1109/embc.2017.8036951

Performance of compressive sensing for the reconstruction of different QRS pulses in ECG signals

2017· article· en· W2755606614 sur OpenAlexafffund
Jeevan K. Pant, Sridhar Krishnan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSparse and Compressive Sensing Techniques
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesCanada Research Chairs
Mots-clésQRS complexBeat (acoustics)Compression ratioPattern recognition (psychology)Computer scienceArtificial intelligencePhysicsAcousticsCardiologyMedicine

Résumé

récupéré en direct d'OpenAlex

Compressive sensing (CS) is studied for the acquisition of different QRS complexes in ECG signals. By applying sparse binary measurement matrix and by applying regularization for promoting temporal correlation, performance of CS techniques for the reconstruction of ECG segments containing different QRS complexes, such as, normal QRS, paced QRS, right bundle branch block beat, left bundle branch block beat, and ventricular flutter beat, has been studied. Simulation results demonstrate that performance of CS differs with the types of beats, and ECG segments with well-known beats can be reconstructed with signal-to-noise ratio (SNR) approximately equal to 25dB for the realization of CS systems with compression ratio as high as 95%; for lower compression ratio much higher SNR can be attained.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,413
Score d'incertitude au seuil0,203

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,251
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetSparse and Compressive Sensing TechniquesTravaux en français237 207