.png){kind=icon}
返回
ARRHYTHMIA CLASSIFICATION WITH THE INTELLIGENCE PARASITISM ALGORITHM-OPTIMIZED FUZZY-ENABLED ENSEMBLED CLASSIFIER
.png){kind=icon}
PRE
AI
DOI：10.4015/S1016237225500437.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
早期心律失常的检测和分类至关重要，因为及时诊断和治疗可以显著降低死亡率。然而，现有技术仍面临检测和分类心律失常的挑战，这是由于心电图（ECG）信号的非平稳特性以及忽略了心跳间依赖关系，导致准确性有限。因此，本研究提出了一种基于智能寄生算法的模糊赋能集成分类器（IPA-FEEC），以解决现有技术中的挑战。此外，通过采用基于模糊排序方法的IPA优化FEEC模型实现了心律失常的检测，其中FEEC模型的参数通过IPA算法进行优化。更具体地说，机器学习分类器的集成输出应用于模糊规则加权平均，以提高分类精度。具体而言，智能寄生算法（IPA）结合了乌鸦和 cuckoo search 算法的独特特性，用于优化IPA-FEEC模型的超参数。此外，所提出的IPA-FEEC模型具有更高的分类精度，并且对ECG数据的变化具有高度鲁棒性。最终，通过多种评估指标评估了所提出的IPA-FEEC模型的有效性，在80%的训练数据上使用MIT-BIH数据集，实现了F1-score为0.967、Cohen's kappa为0.949、精确度为0.977、误差为0.39、召回率为0.957和MCC为0.961。实验结果表明，所提出的IPA-FEEC模型在精确度方面表现出卓越性能，相较于GAN-SkipNet提升了6.91%，相较于GCN提升了5.18%，相较于CuckooSA-FEEC提升了4.23%。
Keyword:
Arrhythmia classification
Deep learning
Fuzzy logic
Electrocardiogram
Discrete wavelet transform
期刊
B
IF:
0.6
论文数:
7
被引数:
377
机构
暂无机构信息
引用论文
VARMA Models with Single- or Mixed-Frequency Data: New Conditions for Extended Yule–Walker Identification.png)
Mathematics
MathematicsIF0
PREAI
分享收藏Uncertainty-Aware Deep Learning-Based Cardiac Arrhythmias Classification Model of Electrocardiogram SignalsComputers
OAAI
ComputersIF0
OAAI分享收藏
查看更多内容