Robust Reconstruction of Electrocardiogram Using Photoplethysmography: A Subject-Based Model
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
Electrocardiography and photoplethysmography are non-invasive techniques that measure signals from the cardiovascular system. While the cycles of the two measurements are highly correlated, the correlation between the waveforms has rarely been studied. Measuring the photoplethysmogram (PPG) is much easier and more convenient than the electrocardiogram (ECG). Recent research has shown that PPG can be used to reconstruct the ECG, indicating that practitioners can gain a deep understanding of the patients' cardiovascular health using two physiological signals (PPG and ECG) while measuring only PPG. This study proposes a subject-based deep learning model that reconstructs an ECG using a PPG and is based on the bidirectional long short-term memory model. Because the ECG waveform may vary from subject to subject, this model is subject-specific. The model was tested using 100 records from the MIMIC III database. Of these records, 50 had a circulatory disease. The results show that a long ECG signal could be effectively reconstructed from PPG, which is, to our knowledge, the first attempt in this field. A length of 228 s of ECG was constructed by the model, which was trained and validated using 60 s of PPG and ECG signals. To segment the data, a different approach that segments the data into short time segments of equal length (and that do not rely on beats and beat detection) was investigated. Segmenting the PPG and ECG time series data into equal segments of 1-min width gave the optimal results. This resulted in a high Pearson's correlation coefficient between the reconstructed 228 s of ECG and referenced ECG of 0.818, while the root mean square error was only 0.083 mV, and the dynamic time warping distance was 2.12 mV per second on average.
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