MétaCan
Menu
Retour à la cohorte
Enregistrement W4390268942 · doi:10.18280/ria.370602

The Effectiveness of Optimal Discrete Wavelet Transform Parameters Obtained Using the Genetic Algorithm for ECG Signal Denoising

2023· article· fr· W4390268942 sur OpenAlex

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueRevue d intelligence artificielle · 2023
Typearticle
Languefr
DomaineMedicine
ThématiqueECG Monitoring and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNoise reductionDiscrete wavelet transformAlgorithmSIGNAL (programming language)Computer scienceWaveletGenetic algorithmPattern recognition (psychology)Wavelet transformMathematicsArtificial intelligenceMachine learning

Résumé

récupéré en direct d'OpenAlex

The analysis of electrocardiogram (ECG) signals is imperative for the diagnosis of cardiac anomalies.However, the integrity of ECG signals is often compromised by the presence of noise, such as Additive White Gaussian Noise (AWGN) and Power Line Interference (PLI), which can obfuscate critical signal characteristics during acquisition.AWGN typically permeates ECG recordings through electronic noise, movement artifacts, and environmental factors, whereas PLI is commonly induced by alternating current power sources at frequencies of either 50 or 60 Hz, contingent upon the geographical location.In this investigation, a novel denoising strategy employing a synergistic application of the Genetic Algorithm (GA) and Wavelet Transform (WT) is presented.The WT parameters are meticulously optimized through the Genetic Algorithm, which conducts a systematic search to ascertain the optimal decomposition levels and thresholding values for noise reduction.This iterative optimization process refines WT parameter settings to attenuate noise effectively.The efficacy of the proposed approach is rigorously evaluated using the benchmark MIT-BIH Arrhythmia Database, a renowned and publicly accessible collection of annotated ECG recordings.Objective metrics, namely the Signal-to-Noise Ratio (SNR) and the Percentage Root mean square Difference (PRD), are utilized to validate the performance enhancements achieved by the proposed method.Results indicate that the method substantially mitigates both PLI and AWGN, yielding a cleaner ECG signal that is more amenable to subsequent medical analysis.Notably, for PLI at 50 Hz with an input SNR of 10 dB, the algorithm achieved an output SNR of 22.56 dB and a PRD of 7.46%.Similarly, under AWGN conditions with an equivalent input SNR, an output SNR of 18.31 dB and a PRD of 12.16% were realized.These outcomes signify a notable improvement over existing methodologies documented within the literature, affirming the proposed method's potential for advancing ECG signal processing in medical applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,816
Score d'incertitude au seuil0,895

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,318
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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