Block sparse multi‐lead ECG compression exploiting between‐lead collaboration
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
Multi‐lead ECG compression (M‐lEC) has attracted tremendous attention in long‐term monitoring of the patient's heart behaviour. This study proposes a method denoted by block sparse M‐lEC (BlS M‐lEC) in order to exploit between‐lead correlations to compress the signals in a more efficient way. This is due to the fact that multi‐lead electrocardiography signals are multiple observations of the same source (heart) from different locations. Consequently, they have a high correlation in terms of the support set of their sparse models which leads them to share dominant common structure. In order to obtain the block sparse model, the collaborative version of lasso estimator is applied. In addition, it is shown that raised cosine kernel has advantages over conventional Gaussian and wavelet (Daubechies family) due to its specific properties. It is demonstrated that using raised cosine kernel in constructing the sparsifying basis matrix gives a sparser model which results in higher compression ratio and lower reconstruction error. The simulation results show the average improvement of 37, 88 and 90–97% for BlS M‐lEC compared to the non‐collaborative case with raised cosine kernel, Gaussian kernel and collaborative case with Daubechies wavelet kernels, respectively, in terms of reconstruction error while the compression ratio is considered fixed.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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