ECG‐TransCovNet: A hybrid transformer model for accurate arrhythmia detection using Electrocardiogram signals
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
Abstract Abnormalities in the heart's rhythm, known as arrhythmias, pose a significant threat to global health, often leading to severe cardiac conditions and sudden cardiac deaths. Therefore, early and accurate detection of arrhythmias is crucial for timely intervention and potentially life‐saving treatment. Artificial Intelligence, particularly deep learning, has revolutionised the detection and diagnosis of various health conditions, including arrhythmias. A unique hybrid architecture, ECG‐TransCovNet, that combines Convolutional Neural Networks and Transformer models for enhanced arrhythmia detection in Electrocardiogram signals is introduced. The authors’ approach leverages the superior temporal pattern recognition capabilities of Transformers and the spatial feature extraction strengths of convolutional neural networks, providing a robust and accurate solution for arrhythmia detection. The performance and generalisability of the authors’ proposed model are validated through tests on the MIT‐BIH arrhythmia and PhysioNet databases. The authors conducted experimental trials using these two benchmark datasets. The authors’ results demonstrate that the proposed ECG‐TransCovNet model achieves state‐of‐the‐art (SOTA) performance in terms of detection accuracy, reaching 98.6%. Additionally, the authors conducted several experiments and compared the results to the most recent techniques utilising their assessment measures. The experimental results demonstrate that the authors’ model can generally produce better results.
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 | 0,001 |
| 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 | 0,000 | 0,001 |
| 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