Hybrid CNN-BLSTM architecture for classification and detection of arrhythmia in ECG signals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study introduces a robust and efficient hybrid deep learning framework that integrates Convolutional Neural Networks (CNN) with Bidirectional Long Short-Term Memory (BLSTM) networks for the automated detection and classification of cardiac arrhythmias from electrocardiogram (ECG) signals. The proposed architecture leverages the complementary strengths of both components: the CNN layers autonomously learn and extract salient morphological features from raw ECG waveforms, while the BLSTM layers effectively model the sequential and temporal dependencies inherent in ECG signals, thereby improving diagnostic accuracy. To further enhance training stability and non-linear representation capability, the Mish activation function is incorporated throughout the network. The model was trained and evaluated using a combination of the widely recognized MIT-BIH Arrhythmia Database and de-identified clinical ECG recordings sourced from collaborating healthcare institutions, ensuring both diversity and clinical relevance of the dataset. Notably, the framework operates with minimal preprocessing, underscoring its practical viability for real-time implementation. Experimental results demonstrate the model's exceptional performance, achieving an overall classification accuracy of 99.52%, sensitivity of 99.48%, and specificity of 99.85%. These outcomes highlight the model's robustness, generalizability, and strong potential for integration into clinical decision support systems, particularly in high-throughput or resource-constrained healthcare environments.
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.
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 | 0,000 |
| 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 découle