Processing Biomedical Signals by Neural Networks Using Hardware-Constrained System
Notice bibliographique
Résumé
On-line detection of arrhythmia in 12-lead electrocardiogram signals by deep learning models is essential for clinical care.If an 8-byte floating point data type is used to define each sample in a 12-lead ECG signal, the volume of a Rosent-18 class is 800.4MB (100.06M * 8 B).This model is challenging to apply to devices with minimal hardware.Consequently, these models are inadequate for practical purposes, and their utilization is restricted when it comes to low-capacity devices within emerging fields like the Internet of Medical Things.This article introduces a technique that aims to categorize irregularities in 12-lead electrocardiogram signals on edge devices.The method utilizes a lightweight learning approach for the classification of arrhythmias.The evident originality of this work is the use of different evaluations to deploy the suggested model on a device with hardware limitations.After employing the Tensor Flow Lite platform, a compact model has been derived from it.This model has been deployed on an Android device as an edge device, carrying forward from the previous context.According to the assessment, the suggested classification model, designed to categorize 11 different irregularities within the electrocardiogram (ECG) dataset comprising 10,646 patients, achieves an accuracy level comparable to 83.45%.Ultimately, the performed comparisons reveal that the proposed model exhibits competitive performance when compared to alternative approaches that rely on standard deep learning models.
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 | 0,001 | 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 ».