一种混合离散波形变换 (DWT) - 主成分分析 (PCA) 方法用于心脏膜疾病的歧视性特征选择

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:

• 声心电图 (PCG) 对于诊断心脏门疾病至关重要,但由于信号噪声,波动性和人类听觉感知的局限性,它面临着挑战.
• 心脏信号的非静止性进一步使准确的分析和诊断变得复杂.
• 现有的方法可能会在微妙的变化中扎,增加诊断错误的风险.

研究的目的:

• 开发和验证一种混合方法,使用PCG信号来区分各种膜心脏疾病.
• 为了提高诊断条件的准确性和效率,如大动脉狭窄症, mitra regurgitation 和 mitra 漏.
• 探索自动诊断工具的潜力,以改善心脏护理.

主要方法:

• 采用了一种混合方法,将离散波波变换 (DWT) 结合起来,用于表示和主要组件分析 (PCA) 进行特征选择.
• 使用K-means集群来区分五种类型:大动脉狭窄 (AS), mitra regurgitation (MR), mitra 门倒退 (MVP),喷射点击 (EC) 和正常病例 (N).
• 确定了关键的区分特征,包括能量比率 (ER),声持续时间 (ΔTM) 和反向近似信号比率 (InASR).

主要成果:

• 混合方法在区分心脏膜疾病方面取得了93.3%的高整体准确性.
• 三个主要组成部分解释了总差异的91%,证明了有效的维度减少.
• 集群表现强,由0.5829的轮得分和0.5798.8的戴维斯-博尔丁指数表明.

结论:

• 拟议的混合方法有效地使用PCG信号来区分常见的膜心脏病.
• 鉴定的特征和集群方法为开发自动化诊断系统提供了可靠的基础.
• 这一进步有望提高诊断心脏门疾病的精度和速度.