.png){kind=icon}
返回
Machine learning-based CAD detection using integrated ECG and PCG parameter features
.png){kind=icon}
PRE
AI
DOI：10.1088/2057-1976/adfdeb.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）和心音信号（PCG）的联合分析在冠状动脉疾病（CAD）的无创检测方面已显示出巨大潜力。将电机械延迟（EMD）、左心室射血时间（LVET）、射血前期（PEP）以及心脏功能障碍指数（SDI评分）等心脏病理参数用于CAD智能诊断的有效性尚未得到验证。本研究采用改进的Pan-Tompkins算法精确定位ECG信号中的QRS波群。提出了一种频域窗口阈值分割方法以检测PCG信号中的S1、S2和S3峰值。随后应用自动参数提取算法计算四个时间序列参数——RR间期、EMD、LVET和PEP，并计算SDI评分。在特征提取阶段，采用了时域、频域及非线性测量方法的组合。通过两组支持向量机分类模型（SVM-1、SVM-2）和两组XGBoost分类模型（XGBoost-1、XGBoost-2）进行对比实验，各组模型采用不同的输入特征。实验结果表明，加入EMD、LVET和PEP的时域特征显著提升了SVM和XGBoost模型的分类性能。在准确率、敏感性、特异性和AUC指标上，均优于使用传统特征的模型，准确率分别提升了21%和23%。结合特征重要性分析与配对样本Wilcoxon符号秩检验的结果进一步证实，整合EMD、PEP和LVET在无创CAD检测中具有关键作用，其中PEP表现出最高的特征权重。这些发现有力验证了联合ECG和PCG参数及特征对于CAD智能诊断的有效性。
Keyword:
electromechanical delay
left ventricular ejection time
pre-ejection period
support vector machine
coronary artery disease
synchronization signals of ECG and PCG
期刊
B
IF:
1.6
论文数:
54
被引数:
2.1K
机构
引用论文
The significance of left ventricular ejection time in heart failure with reduced ejection fraction
OAAI
OAAI分享收藏Influence of decompensated heart failure on cardiac acoustic biomarkers: impact on early readmissions.png)
ESC HEART FAILUREOAAI
ESC HEART FAILUREIF3.7
OAAI分享收藏
查看更多内容