An Effective and Fast Model for Characterization of Cardiac Arrhythmia and Congestive Heart Failure
Notice bibliographique
Résumé
Background/Objectives: Cardiac arrhythmia (ARR) and congestive heart failure (CHF) are heart diseases that can cause dysfunction of other body organs and possibly death. This paper describes a fast and accurate detection system to distinguish between ARR and normal sinus (NS), and between CHF and NS. Methods: the proposed automatic detection system uses the higher amplitude coefficients (HAC) of the discrete cosine transform (DCT) of the electrocardiogram (ECG) as discriminant features to distinguish ARR and CHF signals from NS. The approach is tested with three statistical classifiers, of which the k-nearest neighbors (k-NN) algorithm. Results: the DCT provides fast compression of the ECG signal, and statistical tests show that the obtained HACs are different from ARR and NS, and for CHF and NS. The latter achieved highest accuracy under ten-fold cross-validation in comparison to Naïve Bayes (NB) and nonlinear support vector machine (SVM). The kNN yielded 97% accuracy, 99% sensitivity, 90% specificity and 0.63 s processing time when classifying ARR against NS, and it yielded 99% accuracy, 99.7% sensitivity, and 99.2% specificity, and 0.27 seconds processing time when classifying HCF against NS. In addition to a fast response, the DCT-kNN system yields higher accuracy in comparison to recent works. Conclusions: it is concluded that using the DCT based HACs as biomarkers of ARR and CHF can lead an efficient computer aided diagnosis (CAD) system which is fast, accurate and does not require ECG signal pre-processing and segmentation. The proposed system is promising for applications in clinical milieu.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».