Multi-Stage Detection of Atrial Fibrillation in Compressively Sensed Electrocardiogram
Notice bibliographique
Résumé
Atrial Fibrillation (AF) is a cardiac condition that can be asymptomatic and can lead to increase risk of stroke, heart attack, or death. Long term monitoring of ECG is typically used to diagnose AF. However, long term monitoring of ECG generates a large amount of data that can increase power consumption, storage requirements, and wireless transmission bandwidth. Compressive Sensing (CS) is a compression technique that reduces the amount of data collected and the power consumption of ECG recording devices. However, reconstruction of compressively sensed ECG is a computationally expensive technique. This paper proposes a two-stage AF detection system that detects AF in the compressed domain and only reconstructs ECG segments with low detection confidence to confirm the detection of AF. The system was tested using the Long-Term Atrial Fibrillation Database (LTAFDB) available on Physionet. The system is based on Random Forest built using features extracted using discrete cosine transform, statistical methods, empirical mode decomposition, and wavelet transform. The system achieved an area under the curve (AUC) of receiver operator curve of 0.95 at 50% and 75% compression. The weighted average precision (AP) was 0.94 at 50% and 75% compression, and the F1 score was 0.90 and 0.91 at 50% and 75% compression, respectively. The system was tested using 10-fold record-based cross-validation. Confirming AF detection by reconstructing ECG where AF was detected with low confidence has improved AP, AUC, and F1 score over using an AF detector in the compressed domain only while judicially increasing usage of computational resources.
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 ».