Heart beat classification from single-lead ECG using the synchrosqueezing transform
Notice bibliographique
Résumé
The processing of ECG signal provides a wealth of information on cardiac function and overall cardiovascular health. While multi-lead ECG recordings are often necessary for a proper assessment of cardiac rhythms, they are not always available or practical, for example in fetal ECG applications. Moreover, a wide range of small non-obtrusive single-lead ECG ambulatory monitoring devices are now available, from which heart rate variability (HRV) and other health-related metrics are derived. Proper beat detection and classification of abnormal rhythms is important for reliable HRV assessment and can be challenging in single-lead ECG monitoring devices. In this manuscript, we modelled the heart rate signal as an adaptive non-harmonic model and used the newly developed synchrosqueezing transform (SST) to characterize ECG patterns. We show how the proposed model can be used to enhance heart beat detection and classification between normal and abnormal rhythms. In particular, using the Massachusetts Institute of Technology-Beth Israel Hospital (MIT-BIH) arrhythmia database and the Association for the Advancement of Medical Instrumentation (AAMI) beat classes, we trained and validated a support vector machine (SVM) classifier on a portion of the annotated beat database using the SST-derived instantaneous phase, the R-peak amplitudes and R-peak to R-peak interval durations, based on a single ECG lead. We obtained sentivities and positive predictive values comparable to other published algorithms using multiple leads and many more features.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».