.png){kind=icon}
返回
An augmented ECG data based classification for arrhythmia using optimal feature set
.png){kind=icon}
PRE
AI
DOI：10.1007/s13755-026-00440-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
心电图（ECG）是诊断心律失常等心脏疾病的支柱性工具。通过连续ECG监测对心律失常进行及时检测，对于预防住院或动态监测期间的生命威胁事件至关重要。尽管在心律失常诊断方面机器学习技术取得了进展，但复杂ECG数据集的分析仍面临重大挑战。为应对此问题，我们开发了一套智能心律失常分类系统，旨在提高诊断精度同时降低计算量。我们创建了一个用于ECG数据预处理和心律失常分类的流程。在预处理步骤中，我们应用了低复杂度方法并融入领域知识以改善诊断效果。我们采用多层感知器（MLP）进行特征学习和新ECG样本的分类。然而，由于异常搏动样本数量远少于正常搏动样本，我们采用了合成少数过采样技术（SMOTE）来解决此类不平衡问题。实验设置采用一个三节点集群，结合Kafka和Spark进行可扩展的实时多类分类。该系统在基准MIT-BIH数据集上的测试中，总体准确率达到96.4%。具体而言，针对室上性期前收缩（SVEB），其阳性预测值为95.2%，灵敏度为95.3%，F1得分为95.24%。同样，对于融合搏动（F）类别，其阳性预测值为91.6%，灵敏度为91.4%，F1得分为91.49%。我们的方法在SVEB和F类别数据较少的情况下，以更低的计算复杂度超越了先前的方法。
Keyword:
ECG
Arrhythmia
SMOTE
Kafka
Spark MLlib
期刊
H
IF:
3.4
论文数:
168
被引数:
1.2K
机构
引用论文
Real-Time Arrhythmia Classification Algorithm Using Time-Domain ECG Feature Based on FFNN and CNN
OAAI
OAAI分享收藏
ECG signal denoising and baseline wander correction based on the empirical mode decomposition基于经验模态分解的心电信号去噪和基线漂移校正
PREAI
分享收藏The Personal Health Applications of Machine Learning Techniques in the Internet of Behaviors机器学习技术在行为互联网中的个人健康应用.png)
SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏
查看更多内容