Self-Supervised Electrocardiograph De-noising
Notice bibliographique
Résumé
Abstract The electrocardiogram (ECG) records heart-beats and is potentially life-saving. However, the ECG signals (e.g., recorded by the standard ECG monitoring system or the Holter ECG monitoring system) heavily suffered from the noises. Thus, the recorded signals involve meaningful cardiac deflections, other biological waves (e.g., caused by the muscle or electrode movements), and even some noises from the monitoring devices (e.g., the power cables). These noise sources would result in inaccurate analyses of cardiac diseases, thus requiring the ECG de-noising methods in data pre-processing phase before the diagnoses. Previous work provided various ECG de-noising approaches, typically based on some filter algorithms or some wave decomposition algorithms. Most of these approaches did not profoundly consider the ECG signals’ specific data structure, and were not adaptive to the signals recorded by various devices or different skin electrodes. Inspired by the ECG recording theory, we find it available to extract noise information from noisy ECG signals directly. We propose a new ECG de-noising method implemented by the neural network, which de-noise the ECG signals without the supervision of the clean signals. The procedure in the self-supervision is straightforward: we first estimate and simulate the noise signals according to the given noisy ECG signals, and then “subtract” the simulated noises to obtain the de-noised ECG signals by the neural network. Experiments on a public dataset verify that our approach is adaptive to ECG signals from different patients and devices. Also, it is proven that the classification on the ECG signals de-noised by the proposed de-noising methods outperforms those with the traditional de-noising methods.
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) | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».