Heartbeatclassificationusingdisease-specificfeatureselection外文翻译介绍.doc

Heartbeatclassificationusingdisease-specificfeatureselection外文翻译介绍.doc

  1. 1、本文档共14页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
使用疾病特异特征选取分类心跳类型 摘要 自动分类心跳类型是协助医生找出在长期的动态心电图记录中异常的心跳的重要手段。在本文中,我们介绍了一种新的疾病特异特征选取的方法,它由一个一对一的特征排名阶段和一个包含在同一个一对一的支持向量机的二类分类器中的特征搜索阶段组成。 本文提出的方法与传统方法的不同之处在于它的重点是对有效的特征子集的选择,从而能通过一对一的对比从其他分类器中挑选出一个分类器。从MIT-BIH心律失常数据库中得到的心电图被用来评估本文所提出的特征选取方法。所采用的心电图特征包括跨节拍内和逐次心跳间期,振幅形态,面积形态和形貌上的距离。 采取美国医疗仪器促进协会(AAMI)提出的建议,MIT-BIH-AR的所有心率样本分为四类,即: 正常搏动或束支传导阻滞(N),室上性早搏(S),室性早搏(V)和心室融合心跳(F)。 训练和测试数据的划分遵守个体间的图示。 实验结果表明,所提出的特征选取方法的的平均分类精度是86.66%,胜过那些无特征选择的方法。对N,S,V和F分类的灵敏度分别是88.94%,79.06%,85.48%和93.81%,相应的阳性预测值分别为98.98%,35.98%,92.75%和13.74%。 在灵敏度和阳性预测值的算术平均值方面,所提出的方法也有比其他的最先进的特征选择方法更好的性能。 1.简介 心电图(ECG)是一个无创,廉价且相当成熟的诊断工具。它含有基本的生理信号,被广泛得用于分析心脏功能。然而,对于长期的心电图记录的分析,逐拍的手动检查既乏味又耗时,尤其是对于床边监护或可穿戴式在线医疗监护,其中实时诊断对初级医生来说是一项艰巨的任务。因此,临床医生通常采用计算机辅助方法来分析和解释ECG信号。 在临界条件下,心律失常可以被分成两种类型,即致命的和非致命的。致命的心律失常可能引发心脏骤停而突然死亡,如心室颤动和心动过速。患者在这种情况下,需要紧急治疗。虽然非致命的心律失常可能不会立即导致心脏衰竭,但是仍然需要及时的治疗,以避免病情进一步恶化。在某些情况下,心律失常只会偶尔发生在患者的日常生活中。为了捕捉到这些稀少的信号,通常采用动态心电图装置来记录长期的心电数据。因此,从大量的ECG数据中自动识别出异常的心跳是一个既重要又必要的任务。第一类型的心律失常已经被详细的研究过了,并且一些检测算法已经被开发和实施在自动体外除颤器(AED)。识别第二类的异位搏动检测是关键的一步。在这项研究中,我们只专注于非致命的心律失常研究以及相关的异位搏动检测。 在过去的几十年里,大量的研究一直致力于心跳类型自动分类。该工作可被分为两种分类模式,即 “内患者” 和“跨患者”或者也分别被称为 “面向类的” 和 “面向主题的”。内患者模式仅根据节拍标签划分整个数据集为训练和测试子集,其中部分的心电图上的记录可能同时出现在两个数据子集上。通过这样的方案,分类通常会产生过于乐观的结果。在临床实践中,由于的个体间差异会导致分类性能的下降。 为了适应实际的情况中,de Chazal等人建议当训练和测试的子集是从不同的心电图记录中构造得到时,将会把个体间的差异考虑在内,并且分类器将会呈现较好的泛化能力。这种模式已经被采纳并用来评估对MIT-BIH心律失常数据集的分类性能。 此外,一个被称为“患者特异性”的混合模式也被de Chazal等人提出,其中,先训练一个全局分类器,然后再用一个本地分类来调整全局分类器。据文献指出,这种方法优于那些纯粹由患者间的分类实现的分类器。Ince等人受这种模式的启发,提出了“患者特异性”神经网络,其中训练数据由两部分组成:(ⅰ)从训练记录中随机选出的共同的具有代表性的节拍以及(ⅱ)从每个记录的前5分钟取出的患者特异性节拍。此外,Wiens等人采用了一种主动学习的方法来检测室性早搏和室上性异位早搏。另外,Llamedo等人研究发现,当专家们能有效的改进在主动学习中的迭代步骤时,性能将得到许多改善。大多数研究参考美国医疗仪器促进协会(AAMI)的意见,对心律指定使用5个标签,分别是正常搏动或束支传导阻滞(N),室上性早搏(S),室性早搏(V)和心室融合心跳(F),以及不能被分类的心律(Q)的。这一建议使得各心律之间能进行公平的比较分类。 考虑到通常用心电图的特征来分类,被最广泛使用的是RR间隔周围的特征,例如前一笔RR间期,后一笔RR间期,当下的RR间期,平均的RR间期和其它基于RR间期的特征。其他的时域特征,包括PP间期,P波持续时间,QRS宽度,PR间期,T波间期和QT间期。此外,ECG样本在P波,QRS波群和T波上的 “形态学”特征以及节拍和平均节拍之间的形态的距离也已经被采用。这些特征已经用于临床上的研究,相关的诊断标准也已被规定。 虽然基于向量图(VCG)的特征可以提供有关心脏

文档评论(0)

***** + 关注
实名认证
内容提供者

我是自由职业者,从事文档的创作工作。

1亿VIP精品文档

相关文档