Automatic recognition of arrhythmia using a CNN-based broad learning system
Notice bibliographique
Résumé
An accurate electrocardiogram (ECG) beat classification can benefit the diagnosis of the cardiovascular disease. Currently, automatic ECG classification systems based on deep neural network are useful in the field of ECG recognition. However, most of them are time-consuming in training, less robustness to noise, and need to retrain the entire model when new data are added. To address these problems, we propose an ECG classification algorithm by using a CNN-based broad learning system (CNNBLS) for recognition of arrhythmia. We performed two experiments to evaluate the robustness and incremental learning features of the proposed classification system. In noise robustness experiment, we selected five types of original and denoising abnormal ECGs in the MIT-BIH arrhythmia database, and overall accuracy of the five arrhythmia classifications achieved 98.5% and 98%. In incremental learning experiment, we selected 6 types of abnormal ECGs data in the MIT-BIH arrhythmia database. The accuracy and training time before incremental learning were 97.94% and 21.61 s, and the accuracy and training time after incremental learning with additional 12929 new data were 98.45% and 47.23 s. Experimental results show that our model is a practical ECG recognition method with suitable noise robustness and has superiority in training time while the accuracy is guaranteed.
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 ».