Enhancing Multilabel ECG Classification via Task-Guided Lead Correlations in Internet of Medical Things
Notice bibliographique
Résumé
With the rise of the Internet of Things, wearable devices have enabled real-time health monitoring, particularly through physiological signals like electrocardiograms (ECG). The standard 12-lead ECG records the electrical activity of the heart from multiple perspectives, providing valuable insights into cardiac health. However, existing 12-lead ECG analysis methods often treat leads as channel-level arrangements or rely on spatial adjacency to predefine lead connections, limiting their ability to capture the complex spatial and functional relationships between leads fully. To address this limitation, we propose TGLLNet, a task-driven model that automatically learns interlead relationships to improve multilabel ECG classification. TGLLNet adaptively learns lead connectivity patterns and relational strengths, enhancing ECG representation and improving model generalizability across tasks. Specifically, TGLLNet employs a temporal graph construction module to convert ecg signals into temporal graphs and uses a residual pyramid graph convolution module for multilevel graph embeddings, utilizing a graph convolutional network with independently learnable adjacency matrices. Combined with a temporal context convolution module, TGLLNet captures spatio-temporal dependencies, significantly improving ECG representation. Experimental results on seven tasks from PTB-XL and CPSC2018 datasets demonstrate that TGLLNet outperforms existing methods, showing superior generalizability across different tasks. Our code is available at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://github.com/rosemary333/TGLLnet</uri>.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 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 ».