AI-enhanced diagnosis of atrial arrhythmia using 3D-printed origami ECG sensors
Notice bibliographique
Résumé
Traditional Electrocardiogram (ECG) sensors using silver/silver chloride (Ag/AgCl) electrodes suffer from skin irritation, short shelf life, single-use limitation, and environmental waste. Here, we introduce a sustainable 3D-printed origami-structured ECG sensor featuring dry attachment, accurate measurement, reusability, and AI-powered diagnosis. The origami design combines mechanical stretchability, robustness, and self-adhesive, while the patterned carbon-based conductive ink provides high electrical conductivity (5681 ± 122.5 S/m), flexibility (bending to 2.5 mm radius), and biocompatibility, altogether offering a sustainable alternative to Ag/AgCl electrodes. The resulting sensor delivers accurate ECG signals comparable to commercial Ag/AgCl electrodes, in addition to an AI-enabled swift classification system that combines continuous wavelet transform (CWT) and a customized convolutional neural network (CNN) for real-time pre-diagnosis of one sinus rhythm and ten arrhythmias types from ECG scalogram images. This system monitors continuously for up to 34 h, promoting early detection of transient cardiac conditions and personalized health monitoring. This advancement establishes a new standard for AI-enhanced, eco-friendly ECG sensors, with significant potential for applications in remote healthcare, emergency diagnostics, and real-time cardiac monitoring.
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 | 0,001 |
| 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 | 0,001 | 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 ».