MétaCan
Menu
Retour à la cohorte
Enregistrement W2888488652 · doi:10.5539/mas.v12n9p119

Combinations of Different FIR Windows for Removal of Baseline and Power Line Noise from Electrocardiogram

2018· article· en· W2888488652 sur OpenAlexvenueno aff
Mohammad Istiaque Reja, Md. Golam Murtuza, Roki Roy

Notice bibliographique

RevueModern Applied Science · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueECG Monitoring and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Engineering and Technology, Lahore
Mots-clésNoise (video)Filter (signal processing)High-pass filterComputer scienceSIGNAL (programming language)Chebyshev filterButterworth filterLow-pass filterMathematicsAcousticsPhysicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Electrocardiogram (ECG) is a vital tool used for diagnosing various heart diseases. It is the graphical representation of the electrical activity of the heart. But the electrocardiographic signals are often corrupted by noise from diverse sources. The most significant noises that corrupt ECG signal are power line interference and baseline wanders. It is necessary to reduce the amount of these disturbances from ECG signal for proper identification and interpretation of heart condition. This paper investigates the performance of the different 'Band stop filter-High Pass filter' combinations of window based FIR filter for removing the baseline wander and power line noise present in electrocardiogram. The ECG signal is generated and then noises are added to the ECG signal using MATLAB® where filters are designed and analyzed using Filter Design and Analysis Tool (FDATool). 49 different 'Band stop filter-High Pass filter' combinations are made using seven different FIR windows namely Bartlett, Chebyshev, Hamming, Hann, Kaiser, Rectangular, Triangular. For filter order of 350 and 450, the performance of different window combinations are compared and analyzed in terms of Signal power, Peak-to-peak value, Signal to Noise Ratio (SNR) and Mean Square Error (MSE) of the filtered output. A further analysis of the waveforms of the filtered output show that the combinations where both the bandstop and highpass filters are either Kaiser or Rectangular window i.e. Kaiser-Kaiser, Kaiser-Rectangular, Rectangular-Kaiser and Rectangular-Rectangular windows give the best performance in reducing both the baseline noise and high frequency power line noise. It is also found that the reduction of baseline noise is better if 450 filter order is used instead of 350 order in the above mentioned best four combinations, although the amount of delay for 450 order is slightly higher.

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 enseignants0,336
Score d'incertitude au seuil0,264

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 Opus0,014
Tête enseignante GPT0,277
Écart entre enseignants0,263 · 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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetECG Monitoring and AnalysisTravaux en français237 207