Discriminative sparse coding in the analysis of electrocardiogram during ventricular arrhythmias
Notice bibliographique
Résumé
Abnormalities in the rhythmic electromechanical contractions of the heart results in cardiac arrhythmias. When these abnormalities rise from the ventricles of the heart, they are classified as ventricular arrhythmias. The two major types of ventricular arrhythmias are ventricular tachycardia (VT) and ventricular fibrillation (VF). Ventricular fibrillation is the most dangerous among the two arrhythmias, that usually leads to sudden cardiac death if not treated immediately. Annually about 40,000 sudden cardiac deaths are reported in Canada. Due to high mortality rate and serious impact on quality of life, researchers have been focusing on characterizing ventricular arrhythmias that may lead to delivering optimized treatment options in improving the survival rates. In this thesis two major types of ventricular arrhythmias were analyzed and quantified by performing discriminative sparse coding analysis called label consistent K-SVD using time frequency dictionaries that are well localized in time and frequency domains. The analyzed signals were 670 ECG ventricular arrhythmia segments from 33 patients extracted from the Malignant Ventricular Ectopy and Creighton University Tachy-Arrhythmia databases. Using the LCKSVD dictionary learning approach, an overall maximum classification accuracy of 73.3% was achieved with a hybrid optimized wavelet dictionary. Based on the comparative analysis, the trained (learned) dictionaries yielded better performance than the untrained dictionaries. The results indicate that discriminative sparse coding approach has greater potential in extracting signal adaptive and morphologically discriminative time-frequency structures in studying ventricular arrhythmias.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».