Impact of Motion Artifact on Detection of Atrial Fibrillation in Compressively Sensed ECG using a Deterministic Matrix
Notice bibliographique
Résumé
Early detection of Atrial Fibrillation (AFib) is warranted to reduce the chances of patients developing complications. Compressive sensing (CS) of electrocardiogram (ECG) will facilitate long term monitoring with detection of AFib in the compressed domain eliminating the need for the expensive operation of reconstructing the ECG. This paper presented an AFib detector in the compressed domain and studied the effect of noise on it. ECG records from the Long-Term Atrial Fibrillation Database were contaminated with motion artifact from the MIT-BIH Noise Stress Database and compressed to 50%, 75%, and 95% levels. A 100 tree random forest was used to detect AFib in the uncompressed and compressed ECG at different noise levels. The random forest was evaluated using 5-fold cross validation and patient hold-out method. The random forest achieved a maximum of 81.87% F1 score at the 3 dB Signal to Noise Ratio (SNR) and 75% compression level in cross validation. Changing the SNR to -10 dB reduced the F1 score by 3.25%. The random forest achieved a maximum of 61.03% at 3 dB SNR and on uncompressed ECG in the hold-out test. Changing the SNR to -10 dB reduced the F1 score by 6.55%. The results show that it is possible to detect AFib in the compressed domain with noise impacting the performance.
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 | 0,001 | 0,005 |
| 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 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 ».