S'abonner

A Decision-Making System with Reject Option for Atrial Fibrillation Prediction Without ECG Signals - 07/12/22

Doi : 10.1016/j.irbm.2022.04.008 
M. Mroueh a, b, , D. Alshamaa a , F. Mourad-Chehade a , F. Abdallah a, b
a Laboratory of Computer Science and Digital Society (LIST3N), University of Technology of Troyes, Troyes, France 
b Lebanese University, Hadath, Lebanon 

Corresponding author at: Laboratory of Computer Science and Digital Society (LIST3N), University of Technology of Troyes, Troyes, France.Laboratory of Computer Science and Digital Society (LIST3N)University of Technology of TroyesTroyesFrance

Abstract

Objectives

This paper presents a new method for Atrial Fibrillation detection based on the belief functions theory.

Materials and methods

The theoretical framework allows to handle missing and uncertain data, to aggregate evidence in an independent order of sources of information and to reject a decision in case of insufficient supporting evidence. The proposed method is evaluated on real signals acquired from Intensive Care Units available in the MIMIC-III database and compared to state-of-the-art technologies and methods.

Results

The precision of the suggested method is 90.03%, which is 2% more than existing methods in the literature.

Conclusion

While almost all existing methods rely on high frequency sampled ECG signals, mainly at 125 Hz, to achieve a good accuracy, our proposed approach achieves a comparable performance using low frequency sampled physiological signals at 0.016 Hz without the need for an ECG which allows for a significant reduction in energy consumption, in data size and in processing complexity.

Le texte complet de cet article est disponible en PDF.

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

An evidential decision-making system for Atrial Fibrillation prediction.
Handling uncertainty and missing data.
Reject decision if available data are not sufficiently informative.
No use of ECG like most systems, but low frequency sampled physiological signals.
Competitive performance with much less data, favoring a portable device solution.

Le texte complet de cet article est disponible en PDF.

Keywords : Atrial fibrillation, Belief functions theory, Fusion of evidence, Decision making


Plan


© 2022  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 43 - N° 6

P. 573-584 - décembre 2022 Retour au numéro
Article précédent Article précédent
  • GVC-Net: Global Vascular Context Network for Cerebrovascular Segmentation Using Sparse Labels
  • M. Li, S. Li, Y. Han, T. Zhang
| Article suivant Article suivant
  • Model-Based Analysis of Myocardial Contraction Patterns in Ischemic Heart Disease
  • O. Duport, V. Le Rolle, E. Galli, D. Danan, E. Darrigrand, E. Donal, A.I. Hernández

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.