Cardiac Arrhythmia Classification Using Wavelet Analysis of Electrocardiograms
Notice bibliographique
Résumé
<p>Cardiac Arrhythmias are heart rhythm abnormalities that seriously impact the quality of life and can be lethal. Four major types of cardiac arrhythmia that originate from atria and ventricles are atrial flutter (AFL), atrial fibrillation (AF), ventricular tachycardia (VT), and ventricular fibrillation (VF). Annually about 50,000 embolic strokes mostly due to AF and 35,000 sudden cardiac deaths mostly due to VF are reported in Canada. Accurate detection and segregation of these arrhythmia swiftly is an essential requirement for appropriate treatment. Automating this process is especially critical and valuable for implantable devices and long-term monitoring scenarios. </p> <p>In this thesis, with the above motivation, we analyzed the electrocardiograms (ECGs) recorded during these 4 types of arrhythmia using wavelet transform. A total of 100 ECG segments con- taining 25 ECG segments each for AF, AFL, VT and VF, obtained from well-known open source databases were used in this study. Discriminative features were extracted from the wavelet coefficients and fed to a linear discriminant analysis based classifier. Based on the proposed scheme, best classification accuracies using library wavelets and adaptive continuous wavelets (ACW) are as follows: (i) for four group classification, Paul CW and A-pattern ACW attained <strong>77% </strong>and <strong>81% </strong>respectively, (ii) for the two group classification of AA, Paul CW and M-pattern ACW attained <strong>76% </strong>and <strong>86% </strong>respectively, (iii) for the two group classification of VA, Bump CW and M-pattern ACW attained <strong>92% </strong>and <strong>94% </strong>respectively. </p>
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) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 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 | 0,000 |
| 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 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 ».