Analysis of Compressively Sensed Electrocardiogram for Detection of Atrial Fibrillation
Notice bibliographique
Résumé
Cardiovascular diseases (CVDs) are one of the leading causes of death in the world. Long-term ambulatory electrocardiogram (ECG) monitoring enables timely medical interventions. Effective and efficient ambulatory ECG monitoring can be supported by compressive sensing, which can reduce battery consumption; however, the reconstruction of compressively sensed ECG could be a computationally intensive operation. Therefore, detection of CVDs in compressively sensed ECG is highly desirable. This thesis proposes a three-stage system based on machine learning for detecting atrial fibrillation (AF) in compressively sensed ECG while reducing false alarms (i.e., false positives) due to contamination and reducing reconstruction of the ECG. Stage 1 uses a novel signal quality index (SQI) to represent the quality of the compressively sensed ECG on a continuous scale and reject low-quality ECG. Stage 2 classifies the ECG as either AF or normal and generates an associated confidence score. Stage 3 selectively reconstructs the ECG when the Stage 2 confidence score is unacceptable and classifies the reconstructed ECG as either AF or normal. Clean ECG from Long-Term AF Database was artificially corrupted with simulated motion artifact to pre-set signal-to-noise ratios. The corrupted ECG was compressively sensed at 50% and 75% compression ratios (CRs). The system was evaluated using average precision (AP), the area under the curve (AUC) of the receiver operator characteristic curve, false-positive rate (FPR), and true positive rate (TPR). The system was optimized to maximize the AP and minimize ECG rejection and reconstruction ratios. The optimized system for 50% CR had 0.72 AP, 0.63 AUC, 0.38 rejection ratio, and 0.38 reconstruction ratio. The optimized system for 75% CR had 0.72 AP, 0.63 AUC, 0.40 rejection ratio, and 0.35 reconstruction ratio. The optimized system reduced FPR by 0.37 for both CRs compared to Stage 2 alone. At a fixed FPR of 0.10, the TPR of the proposed system was 0.43 and 0.42 for 50% and 75% CRs, respectively, an improvement of 0.10 and 0.14 over Stage 2. The proposed system reduced the probability of false alarms (FPR) and detected AF in compressively sensed ECG (improved TPR) while being computationally efficient (low reconstruction ratio).
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 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) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».