使用基于形态的心电图生物标志物的自动心肌梗塞查

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 缺血性心脏病 (IHD) 是全球主要的死亡原因,往往进展为心肌梗塞 (MI).
• 自动化心电图 (ECG) 分析为MI检测提供了可靠和高效的替代手动解释.
• 传统的12导电心电图采集可能不方便,需要更简单的方法.

研究的目的:

• 开发和验证一种自动化的方法来分类最近的MI,过去的MI和正常的鼻节律 (NSR).
• 为了研究使用一组最小的心电图线索 (线索I和II) 来检测心脏病发作的疗效.
• 为了评估一个随机森林 (RF) 分类器在衍生增强四肢线路上训练的性能.

主要方法:

• 使用I和II线索从衍生增强四肢线索中提取特征.
• 在这些提取的特征上训练一个随机森林 (RF) 分类器.
• 在绩效评估中采用五重交叉验证.

主要成果:

• 射频分类器实现了97.9% (±0.008%) 的训练准确率和98%的测试准确率.
• 使用所有四肢线索特征构建的分类器表现出与组合相比的优越性能.
• 报告称,高灵敏度用于识别最近和过去的MI类.

结论:

• 建议的自动化心电图分析方法使用最小的线索准确地检测最近和过去的MI.
• 该方法适用于预防性医疗保健,临床查和远程监测应用,因为其复杂度低,准确度高.
• 该方法依赖于I和II线,使其与移动和可穿戴设备兼容.