Automated, Portable, and Low-Cost System for Home Screening of Peripheral Arterial Disease
Notice bibliographique
Résumé
Peripheral artery disease (PAD) is the manifestation of atherosclerosis where peripheral arteries are narrowed by the deposition of lipid and cholesterol and formation of fat fiber plaques on their walls. Occlusion and narrowing of the arteries may lead to several cardiovascular diseases and therefore in-time diagnosis and treatment of PAD is essential. There are several invasive and noninvasive methods to diagnosis of PAD, however, still an automated, easy-to-use, and affordable device for in-home monitoring of cardiovascular health is lacking. In this study, an oscillometric system is used to record arterial wall oscillations at different external pressures in lower and upper limbs. Wavelet transform is used to extract features from the amplitude of the recorded arterial wall oscillations and an adaptive neuro-fuzzy inference system (ANFIS) is used to identify PAD based on the extracted features. Because of the ANFIS high computational cost, linear discriminant analysis (LDA) is applied to the features to reduce their dimension before feeding them to ANFIS. The performance of proposed method is compared versus the conventional ankle-brachial test on a dataset of oscillometric recording obtained from 14 patients with PAD and 14 healthy individuals. Based on a five-fold cross validation, our method achieved an accuracy of 82% in detecting PAD. The results show promise toward the development of in-home cardiovascular monitors for cardiovascular health assessment.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».