Robust and Efficient Atrial Fibrillation Detection from Intracardiac Electrograms Using Minirocket
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Atrial Fibrillation (AF) detection from intracardiac Electrogram (EGM) signals is a critical aspect of cardiovascular health monitoring. This study explores the application of Minirocket, a time series classification (TSC) algorithm, for robust and efficient AF detection. A comparative analysis is conducted against a deep learning approach using a subset of the dataset from Rodrigo et al. (2022). The study investigates the robustness of Minirocket in the face of shorter EGM sequences and varying training sizes, essential for real-world applications such as wearable and implanted devices. Empirical runtime analysis further assesses the efficiency of Minirocket in comparison to conventional machine learning (ML) algorithms. The results showcase Minirocket's notable performance, especially in scenarios with shorter signals and varying training sizes, making it a promising candidate for streamlined AF detection in emerging cardiovascular monitoring technologies. This research contributes to the optimization of AF detection algorithms for increased efficiency and adaptability to dynamic clinical scenarios.
Atriyal Fibrilasyon (AF) tespiti, intrakardiyak Elektrogram (EGM) sinyallerinin kritik bir yönüdür ve kardiyovasküler sağlık izlemesinin önemli bir parçasını oluşturur. Bu çalışma, güçlendirilmiş ve verimli AF tespiti için bir zaman serisi sınıflandırma (TSC) algoritması olan Minirocket'ın uygulanmasını keşfeder. Rodrigo et al. (2022) tarafından elde edilen veri setinin bir alt kümesi üzerinde karşılaştırmalı bir analiz gerçekleştirilir. Çalışma, Minirocket'ın kısa EGM dizileri ve değişen eğitim büyüklükleri karşısındaki direncini araştırır; bu, giyilebilir ve implante edilebilir cihazlar gibi gerçek dünya uygulamaları için önemlidir. Ampirik çalışma süresi analizi, Minirocket'ın geleneksel makine öğrenimi algoritmalarına kıyasla verimliliğini değerlendirir. Sonuçlar, özellikle kısa sinyaller ve değişen eğitim büyüklükleri senaryolarında Minirocket'ın dikkate değer performansını sergiler, böylece geleceğin kardiyovasküler izleme teknolojilerinde AF tespiti için umut vadeden bir aday olarak öne çıkar. Bu araştırma, AF tespit algoritmalarının verimliliğinin artırılması ve dinamik klinik senaryolara adapte edilmesi konusunda katkıda bulunur.
Atriyal Fibrilasyon (AF) tespiti, intrakardiyak Elektrogram (EGM) sinyallerinin kritik bir yönüdür ve kardiyovasküler sağlık izlemesinin önemli bir parçasını oluşturur. Bu çalışma, güçlendirilmiş ve verimli AF tespiti için bir zaman serisi sınıflandırma (TSC) algoritması olan Minirocket'ın uygulanmasını keşfeder. Rodrigo et al. (2022) tarafından elde edilen veri setinin bir alt kümesi üzerinde karşılaştırmalı bir analiz gerçekleştirilir. Çalışma, Minirocket'ın kısa EGM dizileri ve değişen eğitim büyüklükleri karşısındaki direncini araştırır; bu, giyilebilir ve implante edilebilir cihazlar gibi gerçek dünya uygulamaları için önemlidir. Ampirik çalışma süresi analizi, Minirocket'ın geleneksel makine öğrenimi algoritmalarına kıyasla verimliliğini değerlendirir. Sonuçlar, özellikle kısa sinyaller ve değişen eğitim büyüklükleri senaryolarında Minirocket'ın dikkate değer performansını sergiler, böylece geleceğin kardiyovasküler izleme teknolojilerinde AF tespiti için umut vadeden bir aday olarak öne çıkar. Bu araştırma, AF tespit algoritmalarının verimliliğinin artırılması ve dinamik klinik senaryolara adapte edilmesi konusunda katkıda bulunur.
Açıklama
Anahtar Kelimeler
Atrial Fibrillation, Intracardiac Electrograms, Machine Learning, Time Series Classification, Atrial Fibrilasyon, Elektrogramlar, Makine Öğrenme, Zaman Serisi Sınıflandırma, Bioengineering (Other)
Kaynak
Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
1
Sayı
1-432
