Detecting Coronary Artery Disease Using Rest Seismocardiography and Gyrocardiography
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this study, we present a non-invasive solution to identify patients with coronary artery disease (CAD) defined as ⩾50% stenosis in at least one coronary artery. The solution is based on the analysis of linear acceleration (seismocardiogram, SCG) and angular velocity (gyrocardiogram, GCG) of the heart recorded in the x, y, and z directional axes from an accelerometer/gyroscope sensor mounted on the sternum. The database was collected from 310 individuals through a multicenter study. The time-frequency features extracted from each SCG and GCG data channel were fed to a one-dimensional Convolutional Neural Network (1D CNN) to train six separate classifiers. The results from different classifiers were later fused to estimate the CAD risk for each participant. The predicted CAD risk was validated against related results from angiography. The SCG z and SCG y classifiers showed better performance relative to the other models ( p < 0.05) with the area under the curve (AUC) of 91%. The sensitivity range for CAD detection was 92–94% for the SCG models and 73–87% for the GCG models. Based on our findings, the SCG models achieved better performance in predicting the CAD risk compared to the GCG models; the model based on the combination of all SCG and GCG classifiers did not achieve higher performance relative to the other models. Moreover, these findings showed that the performance of the proposed 3-axial SCG/GCG solution based on recordings obtained during rest was comparable, or better than stress ECG. These data may indicate that 3-axial SCG/GCG could be used as a portable at-home CAD screening tool.
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.
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 découle