用ChebWave和深蓝粒子过利用光谱优化进行心脏信号分类
Anu Honnashamaiah1, Rathnakara Srinivasapandit2
1Department of Electronics and Communication Engineering, JSS Academy of Technical Education, Srinivaspura, Bengaluru, Karnataka, India.
The International journal of artificial organs
|May 30, 2025
概括
这项研究引入了光谱优化心脏框架 (SOCF),用于准确的心电图 (ECG) 分类. SOCF 增强了噪声过,特征提取和混合建模,以改善心脏诊断.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 医疗保健中的人工智能
背景情况:
- 电心电图 (ECG) 信号分类对于诊断心脏疾病至关重要.
- 现有的方法在噪声过方面扎,影响性能和功能解释.
- 需要先进的技术来提高心电图分类的准确性和可靠性.
研究的目的:
- 介绍光谱优化心脏框架 (SOCF) 以提高心电图分类.
- 通过先进的噪声过,特征提取,选择和混合建模来提高准确性.
- 提供更可靠的临床见解,以改善患者的治疗结果.
主要方法:
- 实现了ChebWave平均精细化波器 (CWMRF),用于降低噪音和提高信号清晰度.
- 使用光谱精华提取器 (SEE) 进行全面的特征提取.
- 采用深蓝粒子优化器 (DBPO) 进行高效的特征选择和卷积神经网络 (CNN) -长短期记忆 (LSTM) 混合建模,由Aquila Optimizer优化.
主要成果:
- 实现了高准确性 (在MIT-BIH上达到99.6%,在PTB数据集上达到99.68%).
- 证明了卓越的精度 (99.4%-99.44%),回忆力 (99.5%-99.51%) 和F1分数 (99.2%-99.49%).
- 显著提高了ECG信号分类的稳定性和可靠性.
结论:
- SOCF框架有效地解决了当前ECG分类方法的局限性.
- 先进的过,特征提取,选择和混合建模导致了卓越的诊断准确性.
- 拟议的方法提供了增强的临床洞察力和改善患者护理的潜力.
