Robust and Efficient Atrial Fibrillation Detection from Intracardiac Electrograms Using Minirocket

Basit Öğe Kaydı
dc.contributor.authorAlagoz, Celal
dc.date.accessioned2025-01-21T14:28:44Z
dc.date.available2025-01-21T14:28:44Z
dc.date.issued2024
dc.description.abstractAtrial 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.
dc.description.abstractAtriyal 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.
dc.identifier.dergipark1409437
dc.identifier.doi10.29137/umagd.1409437
dc.identifier.issn1308-5514
dc.identifier.issue1-432
dc.identifier.startpage447
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/3618448
dc.identifier.urihttps://dergipark.org.tr/tr/pub/umagd/issue/82949/1409437
dc.identifier.urihttps://doi.org/10.29137/umagd.1409437
dc.identifier.urihttps://hdl.handle.net/20.500.12587/20342
dc.identifier.volume1
dc.language.isoen
dc.publisherKırıkkale Üniversitesi
dc.relation.ispartofUluslararası Mühendislik Araştırma ve Geliştirme Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241229
dc.subjectAtrial Fibrillation
dc.subjectIntracardiac Electrograms
dc.subjectMachine Learning
dc.subjectTime Series Classification
dc.subjectAtrial Fibrilasyon
dc.subjectElektrogramlar
dc.subjectMakine Öğrenme
dc.subjectZaman Serisi Sınıflandırma
dc.subjectBioengineering (Other)
dc.titleRobust and Efficient Atrial Fibrillation Detection from Intracardiac Electrograms Using Minirocket
dc.title.alternativeMinirocket Kullanarak Güçlendirilmiş ve Verimli Atriyal Fibrilasyon Tespiti
dc.typeArticle

Dosyalar

Koleksiyon

Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi
TR-Dizin İndeksli Yayınlar Koleksiyonu