Detection of Noise Type in Electrocardiogram
Notice bibliographique
Résumé
Physicians use electrocardiogram (ECG) to diagnose cardiovascular diseases. It is mainly used in hospital environment; however, with advancements in ambulatory ECG, it is now available outside of hospital environment. Ambulation can lead to contamination of ECG with various noises leading to signal corruption, misdiagnosis, or false alarms. Removal of noise from ECG is possible; however, blindly applying noise removal techniques may reduce the fidelity of the ECG. As such, identification of the noise in the ECG and applying targeted techniques minimize information loss. In this study, a machine learning approach is used to identify the type of noise in ECG. ECG from Physionet's Normal S inus Rhythm Database was contaminated with noise (baseline wandering, electrode motion, and electromyography) from Physionet's MIT-BIH Noise S tress Test Database at different levels and combinations. The chosen machine learning algorithm was Random Forest with 1024 estimators. The Random Forest had a precision and recall of 1.0 when identifying clean ECG. The average precision and recall were 0.47 and 0.63, respectively, for segments with a single type of noise. The average precision and recall were were 0.44 and 0.27, respectively, for segments with multiple types of noise. The drop in precision and recall was due to the misclassification of the ECG with multiple noises as ECG with a single noise; as an example, classification of an ECG with baseline wandering and electromyography as an ECG with baseline wandering. The classifier performed well at identifying any of the noises in segments with multiple types of noises with an average precision and recall of 0.81 and 0.70, respectively. The classifier generally performed well in identifying types of noise in ECG allowing for future work in developing a framework for identification and mitigation of noise.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».