مدل های یادگیری ماشین مخصوص بیمار برای طبقه بندی سیگنال ECG

آریتمی یکی از عمده ترین دلایل مرگ در سراسر جهان است. تقریبا ۱۷.۹ میلیون مرگ و میر، ناشی از بیماریهای قلبی عروقی است. به منظور کاهش این میزان مرگ و میر، بیماریهای قلبی عروقی باید به درستی شناسایی شود و درمان مناسب باید فورا به بیماران ارائه شود. در این مطالعه، یک طبقه بندی جدید ماشین بردار پشتیبانی مبتنی بر گروه (SVM) برای طبقه بندی ضربان قلب به چهار کلاس از بانک اطلاعاتی آریتمی MIT-BIH پیشنهاد شده است. نتایج با دیگر طبقه بندی کننده هایی که SVM بودند، الگوریتم جنگل تصادفی (RF)، الگوریتم K- (نزدیکترین همسایه KNN) و الگوریتم حافظه کوتاه مدت ماندگار، مقایسه شد. چهار ویژگی که از سیگنالهای ECG که توسط طبقه بندی گرها استفاده شده، استخراج شده است، موجک ها، آمارهای مرتبه بالا، فواصل R-R و خصوصیات مورفولوژیکی است. گروهی از SVM ها با دقت کلی ۹۴.۴٪ بهترین نتیجه را کسب کردند.

کلیدواژه ها:

آریتمی ، الکتروکاردیوگرام ، اثر کلی ، ماشین بردار پشتیبانی