Advanced Cardiac Monitoring via IoT: A CNN-TCN Hybrid Model for Accurate Clinical Decision Making
Notice bibliographique
Résumé
Cardiovascular disease continues to be the primary global cause of mortality, yet existing remote monitoring solutions remain prohibitively expensive for widespread adoption.Addressing this critical gap, we present an affordable, real-time cardiac monitoring system that integrates biomedical sensing with cloud-based deep learning analytics.Our solution employs an AD8232 ECG module for capturing cardiac electrical activity alongside a SIM808 module for simultaneous GPS tracking, with data processed through a WeMos microcontroller and transmitted to a cloud database.For advanced ECG interpretation, we developed a novel hybrid CNN-TCN deep learning architecture that classifies heartbeats into five diagnostic categories: normal (N), supraventricular ectopic (S), ventricular ectopic (V), fusion (F), and unknown (Q) beats.This integrated hardware-software platform demonstrates three key innovations: (1) cost-effective real-time data acquisition, (2) robust cloud-based storage and accessibility, and (3) state-of-the-art arrhythmia detection through our optimized deep learning model.According to the results, the proposed method outperforms previous methods in cardiac rhythm classification, achieving competitive performance with an overall accuracy of 98.55%, sensitivity of 91.2%, and specificity of 99.4%.The combination of portable hardware with accurate algorithmic classification offers significant value for telemedicine applications and decentralized patient management, particularly in 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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».