DeepFilter: an ECG baseline wander removal filter using deep learning\n techniques
Notice bibliographique
Résumé
According to the World Health Organization, around 36% of the annual deaths\nare associated with cardiovascular diseases and 90% of heart attacks are\npreventable. Electrocardiogram signal analysis in ambulatory\nelectrocardiography, during an exercise stress test, and in resting conditions\nallows cardiovascular disease diagnosis. However, during the acquisition, there\nis a variety of noises that may damage the signal quality thereby compromising\ntheir diagnostic potential. The baseline wander is one of the most undesirable\nnoises. In this work, we propose a novel algorithm for BLW noise filtering\nusing deep learning techniques. The model performance was validated using the\nQT Database and the MIT-BIH Noise Stress Test Database from Physionet. In\naddition, several comparative experiments were performed against\nstate-of-the-art methods using traditional filtering procedures as well as deep\nlearning techniques. The proposed approach yields the best results on four\nsimilarity metrics: the sum of squared distance, maximum absolute square,\npercentage of root distance, and cosine similarity with 4.29 (6.35) au, 0.34\n(0.25) au, 45.35 (29.69) au and, 91.46 (8.61) au, respectively. The source code\nof this work, containing our method and related implementations, is freely\navailable on Github.\n
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».