使用二进制哈利克特征选择和整体KNN分类器自动检测心肌梗塞
M Krishna Chaitanya1, Lakhan Dev Sharma1
1School of Electronics Engineering, VIT-AP University, Amaravati, India.
Computer methods in biomechanics and biomedical engineering
|October 20, 2023
概括
这项研究引入了一种使用心电图 (ECG) 数据来诊断心肌梗塞 (MI) 的有效方法. 这种新的方法在检测心脏病发作方面取得了很高的准确性,提高了诊断速度和可靠性.
科学领域:
- 生物医学工程 生物医学工程
- 心脏病学 心脏病学
- 信号处理 信号处理
背景情况:
- 心肌梗塞 (MI) 诊断在很大程度上依赖于心电图 (ECG),但信号噪声和复杂性阻碍了准确的及时检测.
- 手动心电图分析是耗时和劳动密集的,需要自动化诊断技术.
- 现有的自动化方法通常需要大量的计算资源来进行实证数据分析.
研究的目的:
- 开发一种高效可靠的自动化方法,用于从心电图信号中识别心脏病发作.
- 解决电脑心电图数据中的噪声和复杂性的挑战,以改善心脏病发作的诊断.
- 通过分类和分科验证策略,比较拟议方法的性能.
主要方法:
- 电脑心电图信号预处理涉及使用循环单一光谱分析 (CSSA) 进行基线流浪移除,并使用Savitzky-Golay (SG) 过器消除电源线干扰.
- 使用CSSA对预处理的ECG段进行分解,然后提取基于的特征.
- 使用二进制哈里斯优化 (BHHO) 进行了特征选择,选择的特征被输入到各种机器学习分类器 (Naive Bayes,决策树,KNN,SVM,Ensemble Subspace KNN).
主要成果:
- 在以类为导向的方法下,拟议的方法实现了高精度99.8%,99%的灵敏度和100%的特异性.
- 对于主体智能策略,该方法的平均准确度,灵敏度和特异性分别为85.2%,83.1%和84.5%.
- 该研究证明了CSSA,SG过,BHHO和ML分类器在基于心电图数据的强大MI检测中的有效性.
结论:
- 开发的自动化方法为使用心电图检测心肌梗塞提供了一种高效可靠的方法.
- 建议的信号处理和特征选择技术显著提高了诊断性能.
- 这些发现表明,它是一个有前途的工具,可以提高临床环境中心肌梗塞诊断的速度和准确性.
