Detecting Arrhythmias Using ECG Signals with Machine Learning Techniques
Notice bibliographique
Résumé
This paper presents a comparative study on the effectiveness of various feature selection methods and machine learning algorithms for arrhythmia prediction using electrocardiogram (ECG) signals. ECGs are crucial for diagnosing abnormal heart rhythms, known as arrhythmias, which arise from changes in the heart’s electrical impulse patterns. The study focuses on two primary feature selection techniques: the Sequential Feature Selection (a wrapper method) and the Pearson Correlation (a filter method). These methods were applied to a real-world medical dataset to assess the impact on machine learning model performance. Our approach involved data training and testing through methods such as Cross-Validation Partition and an 80-20 training-testing split, iterating through the methods to find optimal conditions. A number of machine learning models were tested, including Naive Bayes Classifiers, K-Nearest Neighbors (KNN), Support Vector Machines (SVM), and Ensemble Methods. Initial tests used a generic Naive Bayes implementation, which was later evaluated against reduced feature sets generated by Sequential Feature Selection and Pearson Correlation. The performance of these models was measured using metrics such as accuracy, balanced accuracy, sensitivity, and specificity. Results showed that the Naive Bayes Classifier achieved the highest accuracy, and both Naive Bayes and SVM exhibited high specificity at 94%. This study underscores the value of targeted feature selection in enhancing the predictive accuracy and efficiency of machine learning models in medical diagnostics, particularly in predicting arrhythmias from ECG data.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».