طبقه بندی ضربان قلب با اطلاعات مورفولوژیکی از طریق مجموعه طبقه بندی کننده ها

روشی برای طبقه بندی خودکار الکتروکاردیوگرام ها (ECG) بر اساس ترکیب ماشین های بردار پشتیبان متعدد (SVM) در این کار ارائه شده است. این روش بر فواصل زمانی بین ضربان های بعدی و مورفولوژی آنها برای توصیف ECG متکی است. توصیفگرهای مختلف بر اساس موجک ها، الگوهای باینری محلی (LBP)، آمار مرتبه بالاتر (HOS) ، چندین مقدار دامنه و تجزیه و تحلیل تفکیک خطی(LDA) مورد استفاده قرار گرفتند. به جای ادغام همه این ویژگی ها برای تغذیه یک مدل SVM، پیشنهاد می کنیم مدل های SVM خاصی را برای هر نوع ویژگی آموزش دهیم. برای به دست آوردن پیش بینی نهایی، تصمیمهای مدل های مختلف با قواعد حاصل ضرب، مجموع و اکثریت ترکیب می شوند. رویکردهای روش شناسی طراحی شده بر روی پایگاه داده عمومی آریتمی MIT-BIH آزمایش می شوند و چهار نوع ضربان غیرطبیعی و طبیعی را طبقه بندی می کنند. رویکرد ما مبتنی بر مجموعه ای از SVMها عملکرد رضایت بخشی را ارائه می دهد و نتایج را در مقایسه با یک مدل SVM با استفاده از ویژگی های یکسان بهبود می بخشد. علاوه بر این، رویکرد ما همچنین نتایج بهتری را در مقایسه با رویکردهای پیشرفته یادگیری ماشین گذشته نشان داد.

کلیدواژه ها:

الکتروکاردیوگرام (ECG) ، طبقه بندی ضربان قلب ، ماشین بردار پشتیبان (SVM) ، طبقه بندی کننده های ترکیبی ، مجموعه طبقه بندی کننده ها