Cardiac Arrhythmia Classification From Lead I ECG Recorded in a Free-Living Environment
Notice bibliographique
Résumé
OBJECTIVE: Cardiac diseases are a leading cause of global mortality. Electrocardiograms (ECGs) are essential for detecting abnormal cardiac rhythms. Smartwatches can record ECGs, similar to lead I ECGs recorded by a patient vitals monitor in a hospital, potentially helping clinicians in early diagnosis and improved management of cardiovascular diseases. While AI models have classified arrhythmias with human-level accuracy, their potential for broad screening remains underutilized. METHODS: We propose a deep learning based framework for diagnosing various cardiac arrhythmias using 10-second lead I ECG recordings, demonstrating lead I's utility in remote monitoring. Robustness was tested by introducing noise to simulate real-world conditions. Additionally, a novel data similarity assessment metric was developed to enhance transfer learning and external dataset validation. RESULTS: Using over 60,000 ECGs from the PhysioNet Challenge 2021, the trained model classified clean lead I ECGs in one dataset with a test-fold area under receiver operating characteristic curve (AUC), sensitivity, and specificity of 0.915, 0.867 and 0.858 respectively. For signals with 0 dB signal-to-noise ratio from the same dataset, the respective performance metrics dropped slightly to 0.899, 0.862 and 0.818. External validation across three separate datasets showed a minimum AUC of 0.807. The data similarity metric outperformed an existing method in improving classification, particularly with limited target dataset samples, i.e. 50. CONCLUSION: The proposed Cardiac Arrhythmia Risk Evaluation from Lead-I ECG (CARE-I) framework enables accurate arrhythmia detection across diverse populations in real-world noisy environments, thus enhancing model generalisation and early diagnosis.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 | 0,001 |
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 ».