基于集成学习的室性早博识别方法

thinkfunny

7 p0 }$ V3 G: y

基于集成学习的室性早博识别方法

摘要:本文提出了一种集成学习方法以提升室性早搏的识别性能.MT-BIH两个通道的数据分别经过卷积神经网络进行室性早搏心拍分类,然后按照融合规则对分类结果进行融合决策,其准确率、灵敏度和特异性分别为99.91% ,98.76% 99.97% ,优于已有算法的室性早搏心拍分类结果.此外,面向临床应用,本文还利用卷积神经网络和诊断规则相结合的方法实现了病人间室性早搏识别实验,在有14万多条记录的数据集上,取得的准确率,灵敏度及特异性分别为97.87% 87.94% ,98.02% ,验证了该算法的有效性.
关键词:室性早搏;卷积神经网络;诊断规则
, r0 t, I" s& [# E* g  K

1引言
) C* c4 G, E8 g/ V/ |( g一条心电图(Electrocardiogram, ECG)记录由多个心拍( heartbeat ,即心动周期)组成,每一个心拍一般又由Р波.QRS波群、T波及U波组成.图1为ECC中一个典型心拍的结构示意图.人们根据这些波形定义了PR间期、QT间期、RR间期、ST段、QRS宽度等相关特征参数,这些特征参数具有重要的临床诊断意义.
根据ECG的波形尤其是QRS波形来诊断室性早搏(Premature Ventricular Contraction , PVC)是临床诊断PVC的一种行之有效的方法.PVC是提早发生的起源于心室的异常心跳,也是临床常见的心律失常之一.因此,正确检测、自动识别PVC具有非常重要的临床意义.目前,心拍分类的方法已有很多,如支持向量机1·2]、神经网络[34]、模糊数学l5]疾病规则[6等.多数PVC检测算法在标准心电图数据库上均能得到较好的分类性能,准确率也较高[”.然而许多相关的研究工作仅利用标准心电图数据库中的部分类型或者部分数据,这不利于不同模型的比较,也不能够充分体现算法的分类性能.2012年,Can Ye等[8]采用小波变换、ICA及PCA 方法提取特征,同时还加入4个RR间期,然后经过SVM分类,最后采用贝叶斯方法对两个导联的分类结果进行融合决策,得到了该方法在MIT-BIH 中 48条记录上16类(包括PVC类)心拍分类的结果.其总的准确率为99.32% ,该准确率为目前公开发表文献中在 MIT-BH上取得的最高心拍分类准确率.按照AAMI
- L$ P/ ?/ v0 e+ j- d; o+ V
4 e# U1 i; ]5 F- o$ M* A  t
% w4 b" _! S7 G& n

游客，如果您要查看本帖隐藏内容请回复

$ A/ R9 O# h+ N% q# ?2 ~
. ~7 T1 W0 L$ w9 f
. O) w& o8 x7 f& o& X

yin123

基于集成学习的室性早博识别方法