通过ECG独立的多站点测量心脏诱导加速和角速度在皮肤水平对大动脉狭窄症患者的分类

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 大动脉狭窄 (AS) 是一种显著的膜性心脏病.
• 对AS的非侵入性诊断方法对于早期检测和管理至关重要.
• 地震心脏图 (SCG) 和心肌梗塞图 (GCG) 为新的心脏诊断提供了潜力.

研究的目的:

• 评估皮肤水平SCG和GCG信号在AS患者与健康对照患者分类中的有效性.
• 为了确定胸部上的最佳传感器位置,以便准确的AS分类.
• 为了比较各种机器学习和深度学习算法的性能,用于此分类任务.

主要方法:

• 从15名AS患者和15名健康志愿者中记录了SCG和GCG信号,记录在三个轴的五个胸部位置.
• 在频率和时间频率领域进行了特征提取.
• 二元分类是使用三种机器学习 (包括SVM) 和三种深度学习方法进行的.

主要成果:

• 支持矢量机 (SVM) 实现了最高的分类准确性.
• 在SCG (92.3%的准确率) 和GCG (92.1%) 的肺中确定了最佳传感器位置.
• 结合SCG和GCG信号提高了准确度至93.5%;40秒的数据与综合信号和高级分类器达到了97.2%的准确度.

结论:

• 当使用适当的机器学习和深度学习分类器分析SCG和GCG信号时,可以对AS进行可靠的分类.
• 这些发现支持了这些非侵入性技术在AS诊断中的潜力.
• 传感器放置和数据集成是最大限度地提高诊断性能的关键因素.