基于最小和最大模式的自组织特征工程:使用心电图信号检测纤维肌痛
Veysel Yusuf Cambay1,2, Abdul Hafeez Baig3, Emrah Aydemir4
1Department of Digital Forensics Engineering, Technology Faculty, Firat University, Elazig 23119, Turkey.
Diagnostics (Basel, Switzerland)
|December 17, 2024
概括
一种新的特征提取方法,最小和最大模式 (MinMaxPat),证明了心电图 (ECG) 信号的高分类准确性. 这种简单而有效的模型在从ECG数据中识别条件时达到80%以上的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 电心电图 (ECG) 信号分析对于诊断各种疾病至关重要.
- 开发高效和简单的特征提取技术对于提高ECG分类准确性至关重要.
研究的目的:
- 引入一种新的,简单的特征提取函数,称为最小和最大模式 (MinMaxPat).
- 评估在ECG信号的综合特征工程模型中拟议的MinMaxPat函数的分类性能.
主要方法:
- MinMaxPat函数将心电图信号划分为重叠的块,以确定最小值和最大值指数.
- 从这些索引中生成基数16中的特征图,其直方形形成一个长度为256的特征向量.
- 开发了一个功能工程模型,其中包括MinMaxPat,基于累积权重的代邻近组件分析 (CWINCA) 来进行特征选择,以及基于t算法的k-最近邻近 (tkNN) 分类器.
主要成果:
- 基于MinMaxPat的特征工程模型应用于公开的ECG纤维肌痛数据集.
- 该模型使用交叉验证 (CV) 和10倍CV实现了超过80%的分类准确性.
- 分析了三个不同的案例,展示了一致的高性能.
结论:
- 拟议的MinMaxPat特征提取方法,集成到一个简单的模型中,为ECG信号提供了高分类性能.
- 这些发现强调了这种简单的方法在ECG信号分类任务中的惊人的有效性.
