一些关于混合神经网络方法的研究,用于使用合适的FIR波器对ECG信号进行分类

科学领域:

• 生物医学信号处理
• 数字信号处理 数字信号处理
• 医疗保健中的机器学习

背景情况:

• 电心电图 (ECG) 信号对于诊断心脏病至关重要,高峰值提供了关键的健康见解.
• 分析心电图信号对于计算机预测至关重要,这是由于非常大规模集成 (VLSI) 技术的进步所推动的.
• 诸如无限脉冲响应 (IIR) 和有限脉冲响应 (FIR) 这样的数字过器通常用于ECG信号消噪,而FIR过器由于其稳定性和性能而被青用于实时应用.

研究的目的:

• 开发一个优化的修改FIR (MFIR) 过器,以提高心电图信号的无声化.
• 在MIT-BIT数据库上,使用优化Kogge石器 (OKSA) 评估MFIR过器的有效性.
• 评估混合机器学习方法的性能,特别是混合神经网络 (HNN),用于使用提取特征进行心电图分类.

主要方法:

• 使用修改后的FIR (MFIR) 块进行了ECG信号消音,这些块用优化增子倍数块 (OKSA) 重建.
• 使用离散波形变换 (DWT) 和交叉相关性 (CC) 进行了特征提取和分析.
• 实施了混合神经网络 (HNN) 模型,并与其他机器学习模型 (如GSNN,ANN,SVM线性和SVM RBF) 进行了比较.

主要成果:

• 在MIT-BIT数据库中,MFIR过器与OKSA相结合,证明了噪声降低能力的提高.
• 混合神经网络 (HNN) 模型实现了92.3%的初始精度,超过了其他基准模型.
• 将HNN与DWT和CC功能相结合,精度大幅提升至95.99%,精度,回忆,F1得分和其他关键指标得到改善,超过了最近的先进模型.

结论:

• 拟议的MFIR波器与OKSA一起提供有效的ECG信号消噪.
• 混合机器学习方法,特别是HNN,对准确的心电图分类有很大的希望.
• 将DWT和CC功能与HNN集成,为先进的心电图分析和疾病预测提供了一种卓越的方法.