Nontraditional Electrocardiogram and Algorithms for Inconspicuous In-Home Monitoring: Comparative Study
Notice bibliographique
Résumé
Background: Wearable and connected in-home medical devices are typically utilized in uncontrolled environments and often measure physiologic signals at suboptimal locations. Motion artifacts and reduced signal-to-noise ratio, compared with clinical grade equipment, results in a highly variable signal quality that can change significantly from moment to moment. The use of signal quality classification algorithms and robust feature delineation algorithms designed to achieve high accuracy on poor quality physiologic signals can prove beneficial in addressing concerns associated with measurement accuracy, confidence, and clinical validity. Objective: The objective of this study was to demonstrate the successful extraction of clinical grade measures using a custom signal quality classification algorithm for the rejection of poor-quality regions and a robust QRS delineation algorithm from a nonstandard electrocardiogram (ECG) integrated into a toilet seat; a device plagued by many of the same challenges as wearable technologies and other Internet of Things–based medical devices. Methods: The present algorithms were validated using a study of 25 normative subjects and 29 heart failure (HF) subjects. Measurements captured from a toilet seat-based buttocks electrocardiogram were compared with a simultaneously captured 12-lead clinical grade ECG. The ECG lead with the highest morphological correlation to buttocks electrocardiogram was used to determine the accuracy of the heart rate (HR), heart rate variability (HRV), which used the standard deviation of the normal-to-normal (SDNN) intervals between sinus beats, QRS duration, and the corrected QT interval (QTc). These algorithms were benchmarked using the MIT-BIH Arrhythmia Database (MITDB) and European ST-T Database (EDB), which are standardized databases commonly used to test QRS detection algorithms. Results: Clinical grade accuracy was achieved for all buttocks electrocardiogram measures compared with standard Lead II. For the normative cohort, the mean was −0.0 (SD 0.3) bpm (N=141 recordings) for HR accuracy and −1.0 (SD 3.4) ms for HRV (N=135). The QRS duration and the QTc interval had an accuracy of −0.5 (SD 6.6) ms (N=85) and 14.5 (SD 11.1) ms (N=85), respectively. In the HF cohort, the accuracy for HR, HRV, QRS duration, and QTc interval was 0.0 (SD 0.3) bpm (N=109), −6.6 (SD 13.2) ms (N=99), 2.9 (SD 11.5) ms (N=59), and 11.2 (SD 19.1) ms (N=58), respectively. When tested on MITDB and EDB, the algorithms presented herein had an overall sensitivity and positive predictive value of over 99.82% (N=900,059 total beats), which is comparable to best in-class algorithms tuned specifically for use with these databases. Conclusions: The present algorithmic approach to data analysis of noisy physiologic data was successfully demonstrated using a toilet seat-based ECG remote monitoring system. This approach to the analysis of physiologic data captured from wearable and connected devices has future potential to enable new types of monitoring devices, providing new insights through daily, inconspicuous in-home monitoring.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».