Age Classification Based on ECG QRS Wave Using Deep Learning
Notice bibliographique
Résumé
Electrocardiogram (ECG) signal, which represents electrical activity of human heart, is recently emerging as a secured biometric scheme. Some prior studies have found ECG as an estimator of cardiac age (indicating heart condition). Estimating chronological age from ECG can facilitate anonymous age verification. With that objective, we analyzed ECG records of 4SS4 subjects obtained from PTB-XL database (a large public dataset of 12-lead ECG). In our experimental dataset, 48% subjects were male and 52% were female, 56% were healthy subjects and 44% had some cardiac abnormalities. 1000 samples from each record were first passed through a band-pass filter, followed by discrete wavelet decomposition up to 4th level and reconstruction through the approximation coefficients (using sym-4 mother wavelet). The purpose was to obtain the QRS wave, a low frequency component of the ECG signal, which is considered as a good indicator of chronological age. This processed signal was then used for age classification using a deep neural network model; which consisted of 3 consequent layers of ID CNN, batch-normalization, max-pooling; LSTM layer, fully connected layers and a regression model for classification. 6 different age segments were used as classification labels (0-17 years, 18-29 years, 30-39 years, 40-49 years, 50-59 years and 60-69 years). As the result show, classification accuracy did not vary significantly between all subjects and healthy subjects, while experimenting with all age segments. However, accuracy significantly improved and showed less fluctuation while experimenting with discontinuous age segments. This indicates better effectiveness of ECG-based age segmentation for discontinuous age groups. Importantly, our proposed method achieved significantly lower MAE (mean absolute error) in comparison with other methods available in literature.
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) | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».