Signal Quality Assessment of Compressively Sensed Electrocardiogram
Notice bibliographique
Résumé
OBJECTIVE: Develop a signal quality index (SQI) to determine the quality of compressively sensed electrocardiogram (ECG) by estimating the signal-to-noise ratio (SNR). METHODS: The SQI used random forests, with the ratio of the standard deviations of an ECG segment and a clean ECG and the Wasserstein metric between the amplitude distributions of an ECG segment and a clean ECG, as features. The SQI was tested using the Long-Term Atrial Fibrillation Database (LTAFDB) and the PhysioNet/CinC Challenge 2011 Database Set A (CinCDB). Clean ECG segments from the LTAFDB were corrupted using simulated motion artifact, with preset SNR between -12 dB and 12 dB. The CinCDB was used as-it-is. The databases were compressively sensed using three types of sensing matrices at three compression ratios (50%, 75%, and 95%). For LTAFDB, the RMSE and Spearman correlation between the SQI and the preset SNR were used for evaluation, while for CinCDB, accuracy and F1 score were used. RESULTS: The average RMSE was 3.18 dB and 3.47 dB in normal and abnormal ECG. The average Spearman correlation was 0.94 and 0.93 in normal and abnormal ECG, respectively. The average accuracy and F1 score were 0.90 and 0.88, respectively. CONCLUSION: The SQI determined the quality of compressively sensed ECG and generalized across different databases. There was no consequential effect on the SQI due to abnormal ECG or compression using different sensing matrices and compression ratios. SIGNIFICANCE: Without reconstruction, the SQI can inform which ECG should be analyzed to reduce false alarms due to contamination.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».