Separation of Vibrational Cardiography signals by respiratory volume and phase using 1-dimensional Convolutional Neural Networks
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".