基准分析方法:时间序列与基于特征的机器学习在PTB-XL数据集的ECG分析中

科学领域:

• 医疗数据分析 医疗数据分析
• 机器学习在医疗保健中的应用
• 时间序列分类时间序列分类

背景情况:

• 对时间序列与表格数据进行分类的比较研究有限.
• 对于ECG等医疗数据的深度学习模型缺乏解释性,阻碍了临床采用.
• 特征提取将时间序列转换为表格数据,但直接比较很少.

研究的目的:

• 为了比较XGBoost在提取的ECG特征上的性能与InceptionTime在原始的ECG时间序列数据上的性能.
• 评估两种方法的准确性,资源效率,稳定性和可解释性之间的权衡.
• 解决医疗诊断中对可解释和可解释AI的需求.

主要方法:

• 使用XGBoost对从心电图信号中提取的特征进行分类.
• 员工InceptionTime,一个深度学习模型,用于直接在ECG时间序列数据上进行分类.
• 评估绩效指标,包括准确性,训练/推理效率,稳定性和可解释性.

主要成果:

• 通过XGBoost处理的ECG特征实现了竞争性分类性能.
• 基于特征的方法在培训和推断效率方面表现出优势.
• 与深度学习模型相比,提取的ECG特征提供了更高的模型稳定性和更高的解释性.

结论:

• 从心电图信号中提取特征为直接时间序列深度学习提供了可行的和有利的替代品.
• 对心电图特征的XGBoost方法平衡了高性能与临床应用的关键解释性和效率.
• 这项研究强调了特征工程在医学领域开发可靠和可解释的人工智能的好处.