Empirical Mode Decomposition and Analysis of Non-Stationary Cardiac Signals
Notice bibliographique
Résumé
Each year 400,000 North Americans die from sudden cardiac death (SCD). T- wave alternans (TWA) refers to an alternating pattern in the T-wave portion of the surface electrocardiogram (ECG) and has been shown as a risk stratifier for SCD. These subtle changes in the T-waves are in the micro-volt scale and ambulatory ECG recordings usually contain biological noise. Also, data non-stationarity owing to heart rate variability and the amplitude variability in TWA magnitude can limit the accuracy of the detection techniques. This necessitates the need for robust detection algorithms for processing such non-stationary data. In this thesis, we have proposed an Empirical Mode Decomposition (EMD) based scheme combined with the Instantaneous Frequency (IF). EMD decomposes the signal into several monocomponent signals called Intrinsic Mode Functions (IMFs). IF extracted from these IMFs provides an accurate estimate of time varying frequency components and hence can aid during characterization of TWAs. In order to validate the performance of the proposed detection technique, the feature vectors extracted from the IMFs were fed to a linear discriminant analysis (LDA) classifier. The performance assessment was carried out using two datasets: (a) Synthetic TWAs: 72 signals obtained from publicly accessible Physionet database and (b) TWAs from patients: 55 ambulatory ECG signals obtained from the Toronto General Hospital. Using an unbiased leave-one-out cross validation strategy, maximum overall classification accuracies of 86.1% and 81.8% were achieved for TWA detection from synthetic and ambulatory ECG recordings respectively. In addition, the usability of the proposed technique has been investigated to assess its suitability for addressing another cardiovascular problem stroke. Atrial Fibrillation (AF) has been identified as a risk factor to increase the chances of stroke. The most common method in studying the complex AF electrograms is to employ dominant frequency (DF) analysis; however, due to signal non-stationarity DF does not always provide the best estimate of the atrial activation rate. As a result, analyzing the electrograms via EMD and IF has been investigated as the second contribution of this work.
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 | 0,001 |
| 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 ».