Separation of Vibrational Cardiography signals by respiratory volume and phase using 1-dimensional Convolutional Neural Networks
Notice bibliographique
Résumé
La maladie cardiovasculaire est la cause majeure de la mortalité humaine dans le monde depuis des années. L’amélioration de la santé cardiovasculaire peut réduire son incidence tout en sauvant la vie. Les soins préventifs ont le potentiel d’améliorer la santé cardiovasculaire. Pourtant, les soins destinés à prévenir la maladie cardiovasculaire ne constituent pas une solution idéale dans la mesure où ils manquent une méthode systématique de surveillance cardiaque non invasive. La surveillance sanitaire non invasive peut améliorer l’application et l’efficacité des soins médicaux tout en réduisant la fréquence du taux de mortalité relatif à la maladie cardiovasculaire: La cardiographie vibrationnelle (VCG) a le potentiel de fournir la surveillance non invasive cardio-respiratoire. La VCG (y compris ses composantes, la SCG et la GCG) relatives à la surveillance cardiaque ont été bien étudiées et mises au point. En outre, les effets inhérents de la respiration sur le signal VCG en raison de la proximité des poumons au coeur, ont également été étudiés. Pourtant, il n’existe pas de méthode établie pour minimiser la variation respiratoire présente dans le signal VCG, réduisant donc son efficacité d’outil de la surveillance cardiaque. Certaines approches ont été adoptées pour éliminer complètement les données respiratoires du signal VCG, mais des études ont démontré que ces données peuvent être utiles pour suivre la santé cardiovasculaire. A leur place, d’autres méthodes ont été adoptées pour séparer les signaux VCG basées sur la phase respiratoire ou volume du sujet au moment de l’enregistrement. Cette méthode minimise la variation respiratoire du signal, sans perdre complètement l’utilité éventuelle au niveau de la respiration. Cette thèse a comme objectif l’adoption de cette méthode de séparation, tout en classant les signaux VCG basés sur leur phase et volume respiratoire, utilisant spécifiquement des réseaux neuronaux convolutifs (RNC) unidimensionnels (UD). Les RNC UD sont des réseaux neuronaux artificiels qui appliquent des filtres convolutifs aux éléments locaux dans une seule dimension. Ces réseaux sont particulièrement utiles pour analyser les données en dimension temporelle. Les données ont été recueillies auprès d'un échantillon de 50 personnes (les sujets) à l'Université de McGill, utilisant une unité de mesure inertielle attachée à la poitrine pour obtenir un signal VCG, ainsi qu'un spiromètre en vue d' obtenir un signal de débit respiratoire. Trois objectifs de classification ont été examinés: volume respiratoire statique, volume respiratoire dynamique, et phase respiratoire dynamique. Pour chaque objectif, les cycles cardiaques obtenus auprès des signaux VCG ont été manuellement divisés en une de deux classes basés sur le signal de débit respiratoire et un RNC UD a été utilisé pour classer ces cycles cardiaques basés uniquement sur les données émanant de leur VCG. Par la suite, des expérimentations ont été menées sur l'architecture RNC en vue d'établir l'architecture optimale pour chacun des objectifs de classification. Il a été constaté qu' un RNC UN est capable de classer des signaux VCG basé sur le signal de débit respiratoire et la phase du sujet au moment de l'enregistrement, atteignant respectivement des scores F1 de 0,9972, 0,8324 et 0,8617 pour le volume respiratoire statique, volume respiratoire dynamique, et phase respiratoire dynamique des objectifs de classification. En outre, il a été constaté que, dans de nombreux cas, ces scores ont été améliorés en minimisant la complexité des modèles utilisés. Nos résultats démontrent que des RNC UD constituent une méthode efficace pour minimiser la variation respiratoire des signaux VCG. En outre, le résultat que les modèles moins complexes ont surpassé les modèles plus complexes est important dans la mesure où cela augmente la viabilité du lancement de tels modèles dans des applications à faible-puissance, à faible-mémoire ou portable
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 ».