Multimodal Arrhythmia Classification Using Deep Neural Networks
Notice bibliographique
Résumé
Arrhythmias are deviations from the normal heart rhythm with impact on the cardiovascular health.Their prompt detection plays an important role in mitigating potential negative outcomes, particularly in patients in the intensive care units (ICU).The detection of arrhythmias has mainly been focused on electrocardiogram (ECG) signals.However, ICU patient mobility frequently leads to disconnection of certain ECG leads, potentially compromising the accurate arrhythmia detection.Arterial line blood pressure (ABP) and central venous pressure (CVP) signals are routinely monitored in ICU patients.Changes in the ABP and CVP suggest alterations in the haemodynamic status and cardiac function of the patients.Thus, leveraging these signals for arrhythmia detection, either independently or in conjunction with ECG data, present a viable approach to ensure that even in scenarios where ECG signals are unavailable, alarm systems alerting healthcare providers of arrhythmias remain functional.In this paper, we employ a hybrid model using long-short term memory networks (LSTM) and convolutional neural network (CNN), along with different residual CNN (ResNet) models for multimodal arrhythmia classification.When using all three channels, ResNet50 achieved the best accuracy of 99.58% on five different arrhythmia classes.The significant efficiency of utilizing ABP and CVP signals independently for the classification of arrhythmias, was also highlighted.ResNet50 was trained with ABP and CVP signals independently and correctly identified arrhythmias with an accuracy of 98.79% and 96.67%, respectively.Moreover, the same ResNet50 model was trained on the MIT-BIH arrhythmia database, achieving an accuracy, sensitivity, and precision of 98.78%, 98.77% and 98.80%, which demonstrates the scalability of the proposed model.
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 | 0,000 | 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) | 0,002 | 0,001 |
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 ».