.png){kind=icon}
返回
Electrocardiogram Abnormality Detection Using Machine Learning on Summary Data and Biometric Features
.png){kind=icon}
OA
AI
DOI：10.3390/diagnostics15070903.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景/目的：心电图数据被广泛用于诊断心血管疾病，该疾病是全球主要的致死原因。传统的解读方法为人工操作，耗时且易出错。机器学习为自动化分类心电图异常提供了一种有前景的替代方案。本研究探讨了使用机器学习模型，基于结合临床特征（如年龄、体重、吸烟状况）与关键心电图测量值的数据库，对心电图异常进行分类，且不依赖时序数据。
方法：数据集包含人口统计学和心电图相关生物测量数据。预处理步骤解决了类别不平衡、离群值、特征缩放以及分类变量的编码问题。五种机器学习模型——高斯朴素贝叶斯、支持向量机、随机森林树、极度随机树、梯度提升树，以及顶级分类器的集成模型——通过分层K折交叉验证进行训练和优化。模型性能在预留的测试集上使用准确率、精确率、召回率和F1分数等指标进行评估。
结果：极度随机树模型表现最佳，测试准确率为66.79%，召回率为66.79%，F1分数为62.93%。室性心率、QRS间期和QTC（Bezet）被确认为最重要的特征。由于类别不平衡和特征重叠，分类边缘案例时存在挑战。
结论：本研究表明，机器学习模型，特别是极度随机树，在利用人口统计学和生物测量数据分类心电图异常方面具有潜力。尽管前景广阔，但缺乏时序数据限制了诊断准确性。未来的研究若能结合时序信号和先进的深度学习技术，可能进一步提升性能和临床相关性。
Keyword:
ECG/EKG
ECG-related biometrics
Extremely randomized trees
gradient boosted trees
support vector machines
期刊
IF:
3.3
论文数:
2.0W
被引数:
3.6W
机构
引用论文
A non-parametric mixture of Gaussian naive Bayes classifiers based on local independent features
PREAI
分享收藏分享收藏FPGA Accelerated Deep Learning for Industrial and Engineering Applications: Optimal Design Under Resource ConstraintsFPGA加速深度学习在工业与工程应用中的最优设计：资源约束下的优化方案.png)
ELECTRONICSOAAI
ELECTRONICSIF2.6
OAAI分享收藏xECGArch: a trustworthy deep learning architecture for interpretable ECG analysis considering short-term and long-term featuresSCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Application of artificial intelligence to the electrocardiogram人工智能在心电图中的应用EUROPEAN HEART JOURNALOAAI
EUROPEAN HEART JOURNALIF35.6
OAAI分享收藏分享收藏Biometric and mobile gait analysis for early diagnosis and therapy monitoring in Parkinson's disease
PREAI
分享收藏
查看更多内容