A recognition method for extreme bradycardia by arterial blood pressure signal modeling with curve fitting
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study is to investigate the potential of arterial blood pressure (ABP) signal for the detection of the subjects with life-threatening extreme bradycardia (EBr). APPROACH: The steps of the proposed method include ABP signal preprocessing, ABP wave segmentation, model parameter estimation, and EBr subject detection. First, the noise, interference and abnormal segments are eliminated in the pre-processing. Then, the ABP signal is segmented into a series of ABP waves by cardiac cycles. The pulse decomposition analysis (PDA) approach is presented to quantitively describe the changes in ABP waves. The back-propagation neural network, probabilistic neural network and decision tree (DT) are engaged to design the classifiers to discriminate the EBr subjects from healthy subjects by the parameters of PDA models. The international physiological signal databases of Fantasia for healthy subjects and 2015 PhysioNet/CinC Challenge for EBr subjects are exploited to validate the proposed method, and 79 310 ABP waves of healthy subjects and 4595 ABP waves of EBr subjects are extracted. MAIN RESULTS: We obtain the average PDA models of healthy subjects and EBr subjects and derive their changes. The two-sample Kolmogorov-Smirnov test result shows that all model parameters are markedly different (H= 1, P < 0.05) between the healthy and EBr subjects. The classification results show that the DT has the best performance with specificity of 99.74% ± 0.07%, sensitivity of 93.12% ± 1.24%, accuracy of 99.37% ± 0.10% and kappa coefficient of 93.92% ± 0.92%. SIGNIFICANCE: The proposed method has the potential to detect EBr subjects by the ABP signal.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».