統合されたECGとPCGパラメータ機能を使用して,機械学習ベースのCAD検出

科学分野:

• 心臓病科
• 生物医学工学
• シグナル処理

背景:

• 冠動脈疾患 (CAD) の非侵襲的な検出は,適切な介入に不可欠です.
• 心電図 (ECG) と心電図 (PCG) の信号を組み合わせた分析は,CADの診断に有望である.
• 組み合わせたECG-PCG分析を用いたCADにおける特定の心臓病学的パラメータ (EMD,LVET,PEP,SDIスコア) の診断値は十分に確立されていません.

研究 の 目的:

• インテリジェントCAD診断のためのECGとPCGによるパラメータの組み合わせの有効性を調査する.
• 電気機械的遅延 (EMD),左心室放出時間 (LVET),および放出前期 (PEP) がCAD検出モデルに与える影響を評価する.
• 伝統的な機能セットと強化された機能セットで訓練された機械学習モデルのパフォーマンスを比較する.

主な方法:

• ECG信号における正確なQRS複合体の検出のために,改良されたPan-Tompkinsアルゴリズムを使用した.
• PCG信号のS1,S2およびS3ピーク検出のための周波数領域ウィンドウの値セグメンテーション方法を開発しました.
• RRインターバル,EMD,LVET,PEP,SDIスコアを含むタイムシリーズ特性を抽出し,特性を抽出するためのタイムドメイン,周波数ドメイン,非線形方法を使用します.
• 異なる機能の組み合わせを用いたサポートベクターマシン (SVM) とXGBoostの分類モデルを訓練し,比較した.

主要な成果:

• EMD,LVET,PEPの機能を組み込むことで,SVMとXGBoostの両方の分類性能が大幅に改善されました.
• これらの強化された特徴を利用したモデルは,従来の特徴モデルと比較して優れた精度,感度,特異性,AUCを示した.
• EMD,LVET,PEPを併用すると21%と23%の精度改善が見られた.
• 特徴の重要性分析は,PEPを最も重要な特徴として強調し,非侵襲的なCAD検出のためのEMD,PEP,およびLVETの統合を検証しました.

結論:

• ECGとPCG信号の組み合わせは,EMD,LVET,PEPのパラメータで強化され,インテリジェントCAD診断の非常に効果的なアプローチを提供します.
• この統合された機能セットは,機械学習ベースのCAD検出システムの正確性と信頼性を大幅に高めます.
• これらの発見は,非侵襲的なCAD評価のためのこの多パラメータアプローチの臨床的有用性を強く支持しています.