Enhancing ECG Signal Classification Accuracy Through Gaussian Modeling Method
Notice bibliographique
Résumé
The automatic classification of ECG signals, also known as computer-based classification, has become critically important in the diagnostic landscape of E-health.This study presents an innovative approach that employs Gaussian Modeling to enhance the accuracy of Beat signal approximation prior to training and classification.Previous methodologies largely relied on Artificial Intelligence (AI) and were contingent on the quality of collected field data sets, which often contained numerous artifacts and noise.This study demonstrates that addressing and eliminating these issues before training can significantly improve classification outcomes.The performance of the proposed approach was rigorously evaluated through several classifiers, including Support Vector Machine (SVM), Decision Trees (DT), K-Nearest Neighbours (KNN), Random Forest (RF), Naive Bayes (NB), Quadratic Discriminant Analysis (QDL), and Convolutional Neural Networks (CNN).These classifiers were applied to the MIT-BIH arrhythmia database, revealing a significant enhancement in results compared to conventional methods.Our findings underscore the efficacy of the Gaussian function in modeling ECG signals, improving the accuracy of various classifiers.Remarkable levels of accuracy, sensitivity, and specificity were achieved across classifiers, with some reaching an accuracy rate of 100%.Notably, the CNN classifier exhibited exceptional performance, demonstrating an accuracy rate of 99.65%, sensitivity of 99.64%, and specificity of 99.88%.This study contributes to the ongoing efforts in the Ehealth domain to improve diagnostic procedures through AI, offering a significant advancement in ECG signal classification.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».