A noninvasive hyperkalemia monitoring system for dialysis patients based on a 1D-CNN model and single-lead ECG from wearable devices
Notice bibliographique
Résumé
This study aimed to develop a real-time, noninvasive hyperkalemia monitoring system for dialysis patients with chronic kidney disease. Hyperkalemia, common in dialysis patients, can lead to life-threatening arrhythmias or sudden death if untreated. Therefore, real-time monitoring of hyperkalemia in this population is crucial. We propose a wearable single-lead ECG monitoring system, offering enhanced comfort and feasibility for extended use. The key innovation of this system is the design of a compact, multi-channel convolutional neural network. This model offers high stability, strong performance, and exceptional computational efficiency, making it ideal for seamless integration into wearable devices for real-time monitoring applications. The model automatically extracts features from ECG signals at different frequencies through multiple convolutional channels, eliminating the need for manual feature extraction before data input. Data is input using a non-overlapping sliding window approach, reducing preprocessing complexity while maintaining model performance. We investigated the optimal window length and the number of convolution channels for ECG signal input. Experimental results indicate that the model achieves optimal performance with a 1200 ms window length and four parallel convolutional branches, yielding an accuracy of 98.25% (4.52%), F1-score of 98.31% (3.26%), sensitivity of 98.63% (2.41%), and specificity of 97.88% (5.13%). This system holds significant potential for improving patient monitoring comfort and real-time responsiveness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».