A novel adaptive multilevel thresholding based algorithm for QRS detection
Notice bibliographique
Résumé
The heart is the single most important organ of the human body. By studying the ECG signal any abnormalities in the heart’s tempo can be identified. The QRS complex is the most prominent feature of an ECG signal. However, the detection of this feature is hampered by the presence of high and low-frequency noises in the ECG signal and abrupt changes in the signal’s morphology. This paper presents a new method of QRS detection using advanced adaptive multilevel thresholding (AAMT) with selective statistical false peak elimination (SSFPE). Firstly, a band-pass filter is used to filter out most of the unwanted noise and interference to aid the detection operation. Then, AAMT is applied to the entire ECG record to find the location and amplitudes of the pseudo peaks. Next, SSFPE is employed to eliminate false peaks resulting from electromyogram (EMG) and any other high-frequency noise that has not been eliminated in the filtering stage. Finally, after most of the peaks are correctly identified a search back stage is included to find any low amplitude true peaks that might have been missed in the peak detection stage. The proposed method is tested on the MIT-BIH arrhythmia and Fantasia databases and shows high accuracy in detection compared to many state-of-the-art QRS detection methods. The method yields high sensitivity, positive predictivity, and a low detection error rate of 99.85%, 99.91%, and 0.25%, respectively, for the MIT-BIH arrhythmia and 99.98%, 99.90%, and 0.12%, respectively for the Fantasia database.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».