Abbonarsi

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.

Il testo completo di questo articolo è disponibile in PDF.

Graphical abstract

Il testo completo di questo articolo è disponibile in 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.

Il testo completo di questo articolo è disponibile in PDF.

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


Mappa


© 2022  AGBM. Pubblicato da Elsevier Masson SAS. Tutti i diritti riservati.
Aggiungere alla mia biblioteca Togliere dalla mia biblioteca Stampare
Esportazione

    Citazioni Export

  • File

  • Contenuto

Vol 43 - N° 6

P. 573-584 - dicembre 2022 Ritorno al numero
Articolo precedente Articolo precedente
  • GVC-Net: Global Vascular Context Network for Cerebrovascular Segmentation Using Sparse Labels
  • M. Li, S. Li, Y. Han, T. Zhang
| Articolo seguente Articolo seguente
  • 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

Benvenuto su EM|consulte, il riferimento dei professionisti della salute.
L'accesso al testo integrale di questo articolo richiede un abbonamento.

Già abbonato a @@106933@@ rivista ?

@@150455@@ Voir plus

Il mio account


Dichiarazione CNIL

EM-CONSULTE.COM è registrato presso la CNIL, dichiarazione n. 1286925.

Ai sensi della legge n. 78-17 del 6 gennaio 1978 sull'informatica, sui file e sulle libertà, Lei puo' esercitare i diritti di opposizione (art.26 della legge), di accesso (art.34 a 38 Legge), e di rettifica (art.36 della legge) per i dati che La riguardano. Lei puo' cosi chiedere che siano rettificati, compeltati, chiariti, aggiornati o cancellati i suoi dati personali inesati, incompleti, equivoci, obsoleti o la cui raccolta o di uso o di conservazione sono vietati.
Le informazioni relative ai visitatori del nostro sito, compresa la loro identità, sono confidenziali.
Il responsabile del sito si impegna sull'onore a rispettare le condizioni legali di confidenzialità applicabili in Francia e a non divulgare tali informazioni a terzi.


Tutto il contenuto di questo sito: Copyright © 2026 Elsevier, i suoi licenziatari e contributori. Tutti i diritti sono riservati. Inclusi diritti per estrazione di testo e di dati, addestramento dell’intelligenza artificiale, e tecnologie simili. Per tutto il contenuto ‘open access’ sono applicati i termini della licenza Creative Commons.