Single-Beat Myocardial Infarction Detection and Localization Using PSO-Optimized Extra Trees on 15-Lead ECG
Notice bibliographique
Résumé
With the advancement of wearable healthcare devices in recent times, there is a growing potential to revolutionize the current strategies of the detection of cardiac anomalies such as myocardial infarction (MI), making it viable to monitor out-of-the-hospital patients using conventional as well as unconventional and pseudo-electrocardiogram (ECG) leads. However, most of the MI detection and localization techniques which are available in the literature to date are based on either all the 12 conventional ECG leads, or subsets of thereof. A few single-lead ECG-based techniques are also there, but their accuracies are not satisfactory. On the contrary, this paper demonstrates a machine learning model that classifies MI from a single ECG beat of any of the 15 ECG-leads, including the 12 conventional leads and 3 vectorcardiogram (VCG)-leads, as available in the publicly accessible Physikalisch-Technische Bundesanstalt (PTB) Diagnostic ECG Database. In this proposed technique, first, the R-peaks are detected, and the arrhythmic beats are identified and excluded using a Ramanujan filter bank-based periodicity estimation technique. Next, a few hand-crafted features are extracted from the detected ECG beats and a set of important features are identified. Finally, Extra Trees classifier-based machine learning models with optimized hyperparameters, obtained using the particle swarm optimization technique, are developed utilizing these hand-crafted features for the detection and localization of MI. High F1-score and Matthew’s correlation coefficient corroborate the reliability of the proposed algorithm in both intra- and inter-patient paradigms.
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 ».