Deep Learning Models for Magnetic Cardiography Edge Sensors Implementing Noise Processing and Diagnostics
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
Remote health monitoring has become a necessity due to reduced healthcare access resulting from pandemic lockdowns and the increasing aging population. Electrocardiography (ECG) is the standard for cardiac monitoring and arrhythmia identification, but it is inconvenient for long-time remote monitoring. Recently, Magnetocardiography (MCG) sensors that operate at room temperature became available based on spintronic sensors. However, MCG analysis is affected by the low-frequency noise present at the sensors. In this paper, we present an artificial intelligence (AI)-aided multi-model pipeline combining two AI architectures, defined as model-M1 and model-M2, targeted for ultra-edge Internet of Things (IoT) sensors to simulate arrhythmia detection. Model-M1 is a denoising preprocessor based on a sliding-window assisted deep-learning (DL) model. We investigate various methods to achieve high accuracy with lightweight computation. Model-M2 is a lightweight DL model that analyzes denoised ECG output from model-M1 to identify arrhythmia. We use multiple publicly available clinically annotated datasets to evaluate our proposal. We find that denoising by model-M1 retains the features, which assist the model-M2 in achieving high classification accuracy, compared to using a conventional moving average filter. This AI pipeline architecture is promising for privacy-preserving ultra-edge medical sensing devices.
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 | 0,000 |
| 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 découle