Multi-Class Electrogastrogram (EGG) Signal Classification Using Machine Learning Algorithms
Notice bibliographique
Résumé
Electrogastrogram (EGG) is a simple and non-invasive method in clinical practices for assessing the stomach function by observing the gastric myoelectrical activity extracted using the electrodes placed on the abdominal surface. EGG is a slow wave propagation. Based on the dominant frequency or cycle per minute, there are three types of EGG signals: Normogastria, Bradygastria, and Tachygastria. In this study, we used the Logistic Regression (LG), Support Vector Machine (SVM) and K Nearest Neighbor (KNN) Machine Learning (ML) algorithms to successfully classify two and three types (classes in ML terminology) of EGG signal with high accuracy. Our results show that the SVM algorithm performs best to classify the two and three class signals with an accuracy of 100% and 92.11% respectively, while logistic regression and the KNN algorithms demonstrate similar lower performances. SVM algorithm also achieved a maximum F1 score, precision, and recall value of 100% and 92% for the two and three classes of EGG signal respectively. An Area Under the Curve (AUC) score of 100% and 92% are observed in the two-class and three-class problem respectively in EGG signal classification using the SVM algorithm. Based on our analysis, we can conclude that SVM can be implemented successfully to accurately classify multi-class EGG signals.
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 | 0,001 |
| 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 ».