We have presented a framework for r

We have presented a framework for reducing false alarms
in cardiac continuous monitoring using a wireless sensor.
Machine-learning-based classifiers are used for (i) classifying
arrhythmia heartbeat types and signal quality levels from
features extracted from ECG signals, and (ii) classifying
activity types from 3D acceleration signals. Taking signal
quality levels and activity types into consideration, a rule-based
expert system is used for determining whether abnormal heart
beats should trigger alarms or should be ignored. Signals from
two datasets, i.e., ECG signals from the MIT-BIH arrhythmia
database (DS1) and a collection of ECG signals and 3D
acceleration signals acquired through BSN nodes from 10
healthy human subjects when they performed activities of daily
living (DS2) were used for framework evaluation. The
experimental results showed that the overall accuracy for
arrhythmia classification on DS1 was 97.69%, with high
sensitivity, specificity, and selectivity. When evaluated on
DS2, our proposed framework yields the accuracy of 98.42%,
with the arrhythmia false alarm rate being reduced by wide

ผลลัพธ์ (ไทย) 1:

เราได้นำกรอบการลดสัญญาณเท็จ
ในหัวใจอย่างต่อเนื่องตรวจสอบโดยใช้แบบไร้สายเซ็นเซอร์.
ใช้สำหรับ (i) ประเภทเครื่องจักรเรียนรู้ใช้คำนามภาษา
ชนิดเต้นรวมและระดับคุณภาพสัญญาณจาก
คุณลักษณะดึงข้อมูลจากสัญญาณ ECG และ (ii) ประเภท
ชนิดกิจกรรม 3D เร่งสัญญาณ สัญญาณการ
ระดับคุณภาพและชนิดของกิจกรรมในการพิจารณา การตามกฎ
ใช้ระบบผู้เชี่ยวชาญพิจารณาว่าความผิดปกติในหัวใจ
เต้นควรกระตุ้นเตือน หรือควรละเว้น จาก
datasets สอง เช่น สัญญาณ ECG จากรวม MIT BIH
ฐานข้อมูล (DS1) และคอลเลกชันของสัญญาณ ECG และ 3D
เร่งสัญญาณมาผ่านโหน BSN 10
หัวข้อสุขภาพบุคคลเมื่อจะทำกิจกรรมทุกวัน
ชีวิต (DS2) ใช้สำหรับประเมินกรอบ ใน
ผลการทดลองพบว่าความแม่นยำโดยรวมสำหรับ
97.69% มีสูงถูกจัดประเภทรวมบน DS1
ความ specificity ใว และ เมื่อประเมินใน
DS2 กรอบการนำเสนอของเราทำให้ความถูกต้องของ 98.42%,
รวมเตือนอัตราการลดลงทั้ง

ผลลัพธ์ (ไทย) 2:

เราได้นำเสนอกรอบการทำงานเพื่อลดการเตือนที่ผิดพลาด
ในการตรวจสอบอย่างต่อเนื่องการเต้นของหัวใจโดยใช้เซ็นเซอร์ไร้สาย
แยกแยะเครื่องการเรียนรู้ที่ใช้จะใช้สำหรับ (i) การจัด
จังหวะการเต้นของหัวใจชนิดและระดับคุณภาพของสัญญาณจาก
คุณสมบัติที่สกัดจากสัญญาณคลื่นไฟฟ้าหัวใจและ (ii) การจำแนก
ประเภทกิจกรรมจากสัญญาณการเร่ง 3D การส่งสัญญาณ
ในระดับที่มีคุณภาพและประเภทกิจกรรมเข้าสู่การพิจารณาตามกฎ
ระบบผู้เชี่ยวชาญจะใช้ในการพิจารณาว่าการเต้นของหัวใจผิดปกติ
เต้นจะเรียกสัญญาณเตือนหรือควรละเลย สัญญาณจาก
สองชุดคือสัญญาณคลื่นไฟฟ้าหัวใจจาก MIT-BIH จังหวะ
ฐานข้อมูล (DS1) และคอลเลกชันของสัญญาณคลื่นไฟฟ้าหัวใจและ 3D
สัญญาณการเร่งซื้อผ่านโหนด BSN จาก 10
วิชามนุษย์มีสุขภาพดีเมื่อพวกเขาได้ทำกิจกรรมในชีวิตประจำวันของ
ชีวิต (DS2) ถูกนำมาใช้ กรอบสำหรับการประเมินผล
ผลการทดลองแสดงให้เห็นว่าถูกต้องโดยรวมสำหรับ
การจัดหมวดหมู่ในจังหวะ DS1 เป็น 97.69% และสูง
ความไวจำเพาะและการเลือก เมื่อประเมินใน
DS2 กรอบเสนอของเราทำให้ความถูกต้องของ 98.42%,
มีอัตราการเตือนที่ผิดพลาดจังหวะถูกลดลงโดยกว้าง

ผลลัพธ์ (ไทย) 3:

เราได้นำเสนอกรอบการลดการเตือนที่ผิดพลาดในการติดตามอย่างต่อเนื่องของหัวใจ

เครื่องเซ็นเซอร์ไร้สาย เรียนตามคำที่ใช้สำหรับ ( ผม ) การจำแนกชนิดและคุณภาพของสัญญาณการเต้นของหัวใจเต้นผิดปกติ

คุณสมบัติระดับจากสกัดจากสัญญาณคลื่นไฟฟ้าหัวใจ และ ( 2 ) การจำแนกชนิด
กิจกรรม 3D เร่งสัญญาณ รับสัญญาณ
คุณภาพระดับและประเภทของกิจกรรมที่เข้าสู่การพิจารณา กฎ
ระบบผู้เชี่ยวชาญใช้สําหรับการกําหนดว่า หัวใจเต้นผิดปกติ ควรเรียกเตือน
หรือควรละเว้น สัญญาณจาก
2 ข้อมูล เช่น วัดสัญญาณจาก mit-bih arrhythmia
ฐานข้อมูล ( DS1 ) และคอลเลกชันของสัญญาณและสัญญาณที่ได้รับจาก BSN เร่ง 3D

10 โหนดจากคลื่นไฟฟ้าหัวใจสุขภาพของมนุษย์และเมื่อพวกเขาทำกิจกรรมทุกวัน
ชีวิต ( DS2 ) ใช้เพื่อประเมินกรอบ
ผลการทดลองพบว่า ความถูกต้องโดยรวมสำหรับ
การจำแนก arrhythmia ใน ds1 97.69 % มีสูง
ความไว ความจำเพาะ และการ . เมื่อประเมินใน
DS2 ของเรา เสนอกรอบอัตราความถูกต้องของ 98.42
%ด้วยการลดอัตราปลุกเท็จ arrhythmia โดยกว้าง