Multimodal Arrhythmia Classification Using Deep Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,002 |
| 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 découle