JHEgydF4y2Ba 医疗保健工程gydF4y2Ba 2040 - 2309gydF4y2Ba 2040 - 2295gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/4123471gydF4y2Ba 4123471gydF4y2Ba 研究文章gydF4y2Ba 可判断的检测和位置基于心室的心肌梗死的融合规则功能gydF4y2Ba https://orcid.org/0000 - 0003 - 1919 - 1989gydF4y2Ba 张gydF4y2Ba WenzhigydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0002 - 1921 - 0281gydF4y2Ba 李gydF4y2Ba RunchuangydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 沈gydF4y2Ba 山东省gydF4y2Ba 3gydF4y2Ba https://orcid.org/0000 - 0001 - 9779 - 246 xgydF4y2Ba 姚gydF4y2Ba JinlianggydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 彭gydF4y2Ba 杨ydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0002 - 6290 - 7041gydF4y2Ba 陈gydF4y2Ba 帮派gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0003 - 3446 - 3903gydF4y2Ba 周gydF4y2Ba 必应gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0001 - 9204 - 5414gydF4y2Ba 王gydF4y2Ba ZongmingydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 面Qaisar接受gydF4y2Ba 赛义德gydF4y2Ba 1gydF4y2Ba 信息工程学院gydF4y2Ba 郑州大学gydF4y2Ba 郑州450000gydF4y2Ba 中国gydF4y2Ba zzu.edu.cngydF4y2Ba 2gydF4y2Ba 合作创新网络保健中心gydF4y2Ba 郑州大学gydF4y2Ba 郑州450000gydF4y2Ba 中国gydF4y2Ba zzu.edu.cngydF4y2Ba 3gydF4y2Ba 郑州大学的经济学和商业gydF4y2Ba 河南郑州450000gydF4y2Ba 中国gydF4y2Ba 2021年gydF4y2Ba 12gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 17gydF4y2Ba 5gydF4y2Ba 2021年gydF4y2Ba 22gydF4y2Ba 8gydF4y2Ba 2021年gydF4y2Ba 24gydF4y2Ba 9gydF4y2Ba 2021年gydF4y2Ba 12gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021 Wenzhi Zhang et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

心肌梗死(MI)是最常见的心血管疾病威胁人类生命。为了准确区分心肌梗死和有一个良好的可解释性,结合规则的分类方法提出功能和心室活动功能。具体来说,根据临床诊断规则和心电图心肌梗死的病理变化,当地从Q波中提取信息,ST段和T波计算的规则功能。所有样品的QT段与心室活动特征提取。然后,为了减少计算复杂度的心室活动特性,离散小波变换(DWT)的影响,主成分分析(PCA)和保局投影(垂直距离)对提取的心室活动特性进行了比较。结合规则功能和心室活动功能,所有12领先特性融合作为最终的特征向量。最后,极端的梯度增加(XGBoost)是用来确定心肌梗塞,并获得99.86%的总体准确率报道Bundesanstalt (PTB)的数据库。这种方法有很好的医学诊断的基础上同时提高精度,这对临床决策是非常重要的。gydF4y2Ba

 中国国家基础研究计划(973计划)gydF4y2Ba 2017年yfb1401200gydF4y2Ba 新疆生产建设兵团gydF4y2Ba 2018年ab017gydF4y2Ba 主要研究、开发和推广项目的河南省科技(的人)gydF4y2Ba 182207310002gydF4y2Ba 中国国家自然科学基金gydF4y2Ba 61872324gydF4y2Ba 河南省高校科技创新人才gydF4y2Ba 21 hastit031gydF4y2Ba 培训计划为年轻骨干教师学院和大学在河南gydF4y2Ba 2019年ggjs018gydF4y2Ba 重点科研项目的高校在河南省gydF4y2Ba 20 a520035gydF4y2Ba 合作创新郑州的主要项目gydF4y2Ba 20 xtzx06013gydF4y2Ba 1。介绍gydF4y2Ba

MI (gydF4y2Ba 1gydF4y2Ba)指的是心血管疾病中,冠状动脉供血急剧减少或中断,造成严重和持久的心肌细胞缺血,最终导致心肌细胞损伤甚至坏死。因此,早期发现和预防具有重要意义,它可以确保病人的生命安全gydF4y2Ba 2gydF4y2Ba]。心肌酶通常是诊断心肌梗死的主要指标,但在救援早期急性心肌梗死,心肌酶往往不高,很难提供早期临床预警(gydF4y2Ba 3gydF4y2Ba]。心电图有快速和低成本的优点,所以它是一种常见的方法诊断心肌梗死。心电图是一个关键指标预警和诊断心肌梗死(gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba]。gydF4y2Ba

临床医生和心电图专家识别MI基于心电图波形的变化和诊断经验。随着计算机信息技术的发展,自动分析心电图已经收到了广泛的关注。应用计算机辅助智能检测心肌梗死的分类可以帮助医生更准确地诊断心肌梗死,减少医生的负担。在当前的研究中,各种分类算法识别提出了MI,它主要分为深度学习和特性工程根据研究方向。深度学习在一个端到端的机密的方式,具有较高的性能,因此被广泛用于MI分类。然而,它并不注重数据处理和致力于分类器的性能,所以它不能分析具体特征对分类性能的影响。工程是基于特征的分类分析心电图数据,提取一些有用的数据,或者做一个组合的数据,根据这些数据进行分类。其性能取决于提取的特征。因此,充分挖掘心电图数据基于临床医学原则不仅具有良好的解释能力,而且有助于提高分类性能。gydF4y2Ba

本文基于医生的诊断规则的主要特点(gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 8gydF4y2Ba进一步计算和应用。T波和ST段振幅海拔或抑郁标准,医生判断是否升高或沮丧基于R波和基线的心跳;,异常Q波的判断条件并不仅限于振幅。因此,医生判断病人是否有资格获得基于一个或甚至三小姐的描述。图gydF4y2Ba 1gydF4y2Ba显示了不同形态学特征的心肌梗死。gydF4y2Ba

不同形式的心肌梗死。(一)形态仅表现为异常Q波。(b) ST段抬高和T波形态表现的高度。(c)形态学ST段抬高,T波倒置,正常Q波。(d)的外观异常Q波和T波倒置。gydF4y2Ba

尽管这些传统的功能是检测心肌梗死的关键,在一般意义上,心肌梗死的梗死心肌细胞的各个部分心室。因此,有必要考虑心室的全球活动信息。虽然提取规则特性,这种方法比较了三种技术的性能DWT, PCA,垂直距离在心室活动特征压缩。然后临床规则融合特性和压缩心室活动特性。最后,XGBoost用于分类融合特性,和10倍交叉验证方法是用于测试。该方法不仅有效地解释分类的基础上,还充分利用心室活动信息,可以改善心肌梗死分类的准确性。本文的主要贡献如下:gydF4y2Ba

根据临床诊断意义,它不仅地图的特点,医生的诊断规则,还认为心室活动的信息。因此,提出心室融合规则功能演示心肌梗死信息全面。gydF4y2Ba

DWT压缩方法不仅消除了冗余信息的心室活动特性,还有效地保留了详细的信息。与PCA和垂直距离相比,它显示了更好的性能在心室活动特性。gydF4y2Ba

XGBoost模型与心室功能融合规则是用来分类心肌梗塞,健康,和其他疾病,可以找到8类型的心肌梗塞,对临床诊断非常重要。gydF4y2Ba

本文的其余部分的结构如下:部分gydF4y2Ba 2gydF4y2Ba简要介绍了相关的工作。部分gydF4y2Ba 3gydF4y2Ba心肌梗死的方法的细节。实验分析结果中引入部分gydF4y2Ba 4gydF4y2Ba。部分gydF4y2Ba 5gydF4y2Ba总结了全文。gydF4y2Ba

 2。相关工作gydF4y2Ba

近年来,随着人工智能的发展,智能检测心肌梗死已成为一个研究热点。研究人员已经开发出多种分类方法,采用的方法主要包括基于深度学习方法和特性。gydF4y2Ba

2.1。心肌梗死分类基于深度学习gydF4y2Ba

由于没有需要手动设计特征提取和分类性能很重要,深度学习广泛用于心肌梗死检测(gydF4y2Ba 9gydF4y2Ba- - - - - -gydF4y2Ba 16gydF4y2Ba]。Acharya et al。gydF4y2Ba 9gydF4y2Ba)用卷积神经网络检测心肌梗死。该模型具有较高的分类性能对噪声数据没有功能设计和获得95.22%的准确性。他和周gydF4y2Ba 10gydF4y2Ba)使用一个模型结合卷积神经网络和循环神经网络分类心肌梗死以及正常和其他心跳分割后心跳。为了降低计算复杂度,一些方法(gydF4y2Ba 10gydF4y2Ba,gydF4y2Ba 11gydF4y2Ba只关注单一铅分类但相对降低精度。在深入学习,研究人员努力提高心肌梗死分类通过模型的准确性。这些方法不需要医疗相关知识之前,和大数据的分类精度得到改善,但由于内部选择特性的细节不清楚,神经网络分类的地面不被人知道的。这是一个不容忽视的问题,医疗,和基于特征检测和分类方法已逐渐成为研究的焦点。gydF4y2Ba

 2.2。心肌梗死工程。基于特征的分类gydF4y2Ba

基于功能的心肌梗死(分类gydF4y2Ba 17gydF4y2Ba- - - - - -gydF4y2Ba 31日gydF4y2Ba)需要数据的全面理解,因此算法易于理解和解释;及其分类精度通常取决于设计的特性。因此,为了获得更好的识别性能,一些研究也不仅提取原始的生理特性,使用各种技术来提取高级功能(gydF4y2Ba 18gydF4y2Ba- - - - - -gydF4y2Ba 21gydF4y2Ba]。具体来说,RR间隔(gydF4y2Ba 4gydF4y2Ba),振幅(gydF4y2Ba 22gydF4y2Ba- - - - - -gydF4y2Ba 24gydF4y2Ba,gydF4y2Ba 26gydF4y2Ba),区域(gydF4y2Ba 22gydF4y2Ba,gydF4y2Ba 27gydF4y2Ba,gydF4y2Ba 28gydF4y2Ba),和其他原始心电图的特征提取。Arif et al。gydF4y2Ba 22gydF4y2Ba]提取形态学特征如T波振幅、Q波,和心跳的ST段偏移值准确分类,再和(资讯)分类器识别10类型的心肌梗死和获得的总准确率为98.3%。Dohare et al。gydF4y2Ba 23gydF4y2Ba]提取振幅,区域,平均值,标准差,P波和其他统计特征,QRS波和T波与原始特性,通过主成分分析的降维处理,选择最重要的14个特征分类,最后实现了分类精度为96.66%。目前,大多数的文献使用功能转换和其他技术(gydF4y2Ba 29日gydF4y2Ba- - - - - -gydF4y2Ba 33gydF4y2Ba)提取相应的心跳的高级功能,如小波系数(gydF4y2Ba 29日gydF4y2Ba,gydF4y2Ba 31日gydF4y2Ba- - - - - -gydF4y2Ba 33gydF4y2Ba),离散余弦变换(gydF4y2Ba 30.gydF4y2Ba),和经验模态分解gydF4y2Ba 31日gydF4y2Ba]。Sharma et al。gydF4y2Ba 30.gydF4y2Ba)设计了一种新的小波滤波器提取多尺度模糊系数和细节系数的心跳,最后资讯用于心肌梗死分类,分类精度获得99.62%。Acharya et al。gydF4y2Ba 31日gydF4y2Ba)执行三个转换每个心跳的铅二世,然后压缩的垂直距离。比较变换离散余弦变换(DCT)的影响,离散小波变换(DWT)和经验模态分解(EMD), DCT是最好的,其精度为98.5%。Acharya et al。gydF4y2Ba 31日gydF4y2Ba)使用小波变换尺度系数特性,并采用资讯MI分类。gydF4y2Ba

尽管有如此多的工作的检测心肌梗死(gydF4y2Ba 34gydF4y2Ba,gydF4y2Ba 35gydF4y2Ba),仍有必要进行进一步的探索。MI患者的心电图特征反映了状态不被广泛使用,但功能组成的T波的振幅和时间间隔,Q波,ST段取得了良好的效果。上面的一些文献[gydF4y2Ba 22gydF4y2Ba- - - - - -gydF4y2Ba 26gydF4y2Ba,gydF4y2Ba 36gydF4y2Ba,gydF4y2Ba 37gydF4y2Ba考虑这些特性,但是基于医生的诊断规则的主要特点(gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 8gydF4y2Ba没有进一步的计算和应用。T波和ST段振幅海拔或抑郁标准,医生判断是否基于基线升高或沮丧的心跳;,异常Q波的判断条件并不仅限于振幅。因此,这项工作不仅提取规则特性的医生还心室活动特性包括QT的所有样品。然后比较了各种技术的压缩效应对心室活动特性,其目的是去除冗余信息,减少计算复杂度。最后,XGBoost算法分类心室融合规则的功能特性,包括心室活动特性和规则功能。心肌梗死的原则的基础上,该模型有一个高度的识别心肌梗死的位置。心肌梗死发生时,它能有效地帮助临床医生判断和诊断心肌梗死。相关文献总结了相关工作表中gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

总结相关的工作。gydF4y2Ba

方法gydF4y2Ba 功能gydF4y2Ba 文献gydF4y2Ba
深度学习gydF4y2Ba 端到端gydF4y2Ba (gydF4y2Ba 9gydF4y2Ba- - - - - -gydF4y2Ba 16gydF4y2Ba]gydF4y2Ba
机器学习gydF4y2Ba 形态gydF4y2Ba (gydF4y2Ba 22gydF4y2Ba- - - - - -gydF4y2Ba 26gydF4y2Ba,gydF4y2Ba 36gydF4y2Ba,gydF4y2Ba 37gydF4y2Ba]gydF4y2Ba
时间间隔gydF4y2Ba (gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 25gydF4y2Ba]gydF4y2Ba
区域gydF4y2Ba (gydF4y2Ba 22gydF4y2Ba,gydF4y2Ba 27gydF4y2Ba,gydF4y2Ba 28gydF4y2Ba]gydF4y2Ba
小波系数gydF4y2Ba (gydF4y2Ba 18gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba,gydF4y2Ba 25gydF4y2Ba,gydF4y2Ba 29日gydF4y2Ba,gydF4y2Ba 31日gydF4y2Ba- - - - - -gydF4y2Ba 33gydF4y2Ba]gydF4y2Ba
离散余弦变换gydF4y2Ba (gydF4y2Ba 30.gydF4y2Ba]gydF4y2Ba
经验模态分解gydF4y2Ba (gydF4y2Ba 31日gydF4y2Ba]gydF4y2Ba
3所示。方法gydF4y2Ba

本文主要识别8不同部位的心肌梗死,以及健康(H)和其他疾病(O)。这些8部分前(A),前外侧(AL),前隔(),差(我),下侧(IL)、劣势后(IP),劣质的后外侧(IPL),和(P),心肌梗死后分类通常包括三个主要步骤:首先,消除基线漂移和高频噪声的ECG信号,并检测QRS波群波和T波根据心肌梗死的原则;其次,提取规则功能和心室活动功能根据医生的诊断规则和心肌梗死病理;最后,XGBoost算法用于心肌梗死的分类。图gydF4y2Ba 2gydF4y2Ba显示了心肌梗死的流分类算法。gydF4y2Ba

心肌梗死流分类算法。gydF4y2Ba

 3.1。心电信号预处理gydF4y2Ba

人体的心电信号弱,噪声有很大的影响在波形的形状和细节,这常常阻碍疾病的识别。去噪是波形位置分析的第一步。小波变换(gydF4y2Ba 38gydF4y2Ba)是一种信号的时频分析方法。它有能力描述信号的局部特征在时间和频率域。因此,它适合分析非平稳的信号,提取信号的局部特征。在这篇文章中,小波变换用于去除基线漂移和高频噪音。的扩展功能gydF4y2Ba fgydF4y2Ba tgydF4y2Ba 小波基函数gydF4y2Ba ψgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba tgydF4y2Ba 连续小波变换,其定义如下公式所示:gydF4y2Ba (1)gydF4y2Ba WgydF4y2Ba fgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba =gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ⋅gydF4y2Ba ψgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba tgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 一个gydF4y2Ba ∫gydF4y2Ba −gydF4y2Ba ∞gydF4y2Ba +gydF4y2Ba ∞gydF4y2Ba fgydF4y2Ba tgydF4y2Ba ψgydF4y2Ba tgydF4y2Ba −gydF4y2Ba bgydF4y2Ba 一个gydF4y2Ba dgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 一个gydF4y2Ba 比例因子和吗gydF4y2Ba bgydF4y2Ba 转换因子;通过这两个参数,小波函数可以沿着时间轴拉伸和小波系数可以计算,直到结束的信号。gydF4y2Ba

去噪的本质是将不同频率的部分信号分解成不同尺度空间上的小波系数,然后删除相应的噪声和保留有用信号的小波系数获得;最后,信号重构。数据gydF4y2Ba 3gydF4y2Ba和gydF4y2Ba 4gydF4y2Ba显示数据去噪前后的心电图。gydF4y2Ba

心肌梗死的原始数据。gydF4y2Ba

心肌梗死后的数据去噪。gydF4y2Ba

波形分类的信号是由墨西哥帽小波分解的基函数将QRS波群波(gydF4y2Ba 39gydF4y2Ba摘要]。这种技术将不同频率的信号分解成不同尺度,QRS波群波的区别。检测QRS波群后,P波和T波的搜索窗口根据定义计算RR间隔和QRS波群的相对位置。为了验证特征提取的准确性,本文验证对私人数据集。心电图数据是我们的私人数据协作中心12导心电图数据记录。受试者男性年龄在21岁到91岁,女性29岁至89岁。128个样本/秒为每个领导数字化记录。然后每个记录是360样本/秒重新取样。信号电压在5 mV与8位分辨率。医生随机选择清晰的数据收集24小时霍尔特心电图记录标签,一个小时白天,晚上一个小时。 Each piece of data has approximately 1.3 million sampling points. The test results are shown in Table 2gydF4y2Ba。检测图所示gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

统计结果波检测的协作中心心电图数据。gydF4y2Ba

记录gydF4y2Ba 非线性波gydF4y2Ba P波gydF4y2Ba T波gydF4y2Ba
+gydF4y2Ba pgydF4y2Ba%gydF4y2Ba Se %gydF4y2Ba Acc %gydF4y2Ba +gydF4y2Ba pgydF4y2Ba%gydF4y2Ba Se %gydF4y2Ba Acc %gydF4y2Ba +gydF4y2Ba pgydF4y2Ba%gydF4y2Ba Se %gydF4y2Ba Acc %gydF4y2Ba
001年gydF4y2Ba 99.78gydF4y2Ba One hundred.gydF4y2Ba 99.78gydF4y2Ba 99.93gydF4y2Ba 99.95gydF4y2Ba 99.89gydF4y2Ba 99.79gydF4y2Ba 99.87gydF4y2Ba 99.67gydF4y2Ba
002年gydF4y2Ba 99.94gydF4y2Ba One hundred.gydF4y2Ba 99.94gydF4y2Ba 99.92gydF4y2Ba 99.92gydF4y2Ba 99.84gydF4y2Ba 99.79gydF4y2Ba 99.87gydF4y2Ba 99.67gydF4y2Ba
003年gydF4y2Ba 99.93gydF4y2Ba 99.93gydF4y2Ba 99.87gydF4y2Ba 99.84gydF4y2Ba 99.96gydF4y2Ba 99.81gydF4y2Ba 99.93gydF4y2Ba 99.90gydF4y2Ba 99.84gydF4y2Ba
004年gydF4y2Ba 99.89gydF4y2Ba One hundred.gydF4y2Ba 99.89gydF4y2Ba 99.86gydF4y2Ba 99.86gydF4y2Ba 99.73gydF4y2Ba 99.76gydF4y2Ba 99.83gydF4y2Ba 99.59gydF4y2Ba
005年gydF4y2Ba 99.91gydF4y2Ba One hundred.gydF4y2Ba 99.91gydF4y2Ba 99.88gydF4y2Ba One hundred.gydF4y2Ba 99.88gydF4y2Ba 99.95gydF4y2Ba One hundred.gydF4y2Ba 99.95gydF4y2Ba

每个波形检测位置的标志。gydF4y2Ba

 3.2。特征提取gydF4y2Ba

当发生心肌梗塞时,异常波型继续随时间变化。在心肌梗死的早期阶段,T波和ST段同时升高;心肌梗死后持续几个小时,ST段拱升高,形成单向曲线异常Q波出现,和T波逐渐倒。在亚急性阶段,ST段回到基线我点,T波逐渐变得平坦,和异常Q波依然存在;在旧的阶段,ST段和T波恢复正常,但异常Q波依然存在。ST段、T波和Q波有不同的形态标准由于不同的线索。因此,它不可能简单地提取振幅或持续时间的乐队也只描述一个乐队的信息。有必要把多个波形一个全面的描述。基于相关文献的研究gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 8gydF4y2Ba)结合医生的诊断规则,本文提取以下心肌状功能组。图gydF4y2Ba 6gydF4y2Ba提取特征的注释。其中,ST段、T波,为医生诊断和Q波心肌梗塞,所以它们集成规则特性,具体公式所示(gydF4y2Ba 2gydF4y2Ba)- (gydF4y2Ba 8gydF4y2Ba)。具体计算公式为心室活动特性公式(gydF4y2Ba 9gydF4y2Ba)。表gydF4y2Ba 3gydF4y2Ba本文总结了特征的描述中提取:gydF4y2Ba

ST段功能描述:这些特性包括振幅之间的区别gydF4y2Ba JgydF4y2Ba点(QRS终点)和基线(QRS起点)和振幅T波起始点和之间的区别gydF4y2Ba JgydF4y2Ba点。当发生心肌梗塞时,ST段异常升高或沮丧,和医生法官ST段是否升高或沮丧基于振幅的大小不同。gydF4y2Ba (2)gydF4y2Ba JgydF4y2Ba _gydF4y2Ba 相对gydF4y2Ba =gydF4y2Ba JgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba _gydF4y2Ba amp,gydF4y2Ba (3)gydF4y2Ba 年代gydF4y2Ba TgydF4y2Ba _gydF4y2Ba 相对gydF4y2Ba =gydF4y2Ba TstargydF4y2Ba tgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba −gydF4y2Ba JgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba 。gydF4y2Ba

Q波的特性描述:这些特性包括Q波的持续时间和Q波的振幅的比值R波。心肌梗死的进展到后期时,就会出现异常Q波。其具体特性的Q波扩大,和R波的振幅超过一定比例相同的领先。gydF4y2Ba (4)gydF4y2Ba 问gydF4y2Ba _gydF4y2Ba 比gydF4y2Ba =gydF4y2Ba 问gydF4y2Ba _gydF4y2Ba ampgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba _gydF4y2Ba ampgydF4y2Ba RgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba _gydF4y2Ba ampgydF4y2Ba =gydF4y2Ba 问gydF4y2Ba _gydF4y2Ba 相对gydF4y2Ba RgydF4y2Ba _gydF4y2Ba 相对gydF4y2Ba ,gydF4y2Ba (5)gydF4y2Ba 问gydF4y2Ba _gydF4y2Ba 时间间隔gydF4y2Ba =gydF4y2Ba 问gydF4y2Ba _gydF4y2Ba posgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba _gydF4y2Ba posgydF4y2Ba 老gydF4y2Ba 。gydF4y2Ba

T波的特性描述:这些特性包括T波的振幅的比值R波,T波振幅差异及其起点,和T波振幅差异和它的终点。不同的领导有不同的T波形态标准。确定T波形态变化需要基于R波振幅或开始点和结束点的振幅的T波。当T波高于一定比例的R波,它通常是一个高耸的T波,当T波低于一定比例的R波或者T波的相对起点低于一定的振幅,低,平的。振幅的差异之间的T波和它的开始点和结束点描述是否T波倒置或直立。gydF4y2Ba (6)gydF4y2Ba TgydF4y2Ba _gydF4y2Ba 比gydF4y2Ba =gydF4y2Ba TgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba _gydF4y2Ba ampgydF4y2Ba RgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba _gydF4y2Ba ampgydF4y2Ba =gydF4y2Ba TgydF4y2Ba _gydF4y2Ba 相对gydF4y2Ba RgydF4y2Ba _gydF4y2Ba 相对gydF4y2Ba ,gydF4y2Ba (7)gydF4y2Ba TstargydF4y2Ba tgydF4y2Ba _gydF4y2Ba 相对gydF4y2Ba =gydF4y2Ba TgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba −gydF4y2Ba TstargydF4y2Ba tgydF4y2Ba _gydF4y2Ba amp,gydF4y2Ba (8)gydF4y2Ba 十gydF4y2Ba dgydF4y2Ba _gydF4y2Ba 相对gydF4y2Ba =gydF4y2Ba TgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba −gydF4y2Ba 十gydF4y2Ba dgydF4y2Ba _gydF4y2Ba ampgydF4y2Ba 。gydF4y2Ba

QT段功能描述:QT段是心电图Q波的记录从一开始到最后的T波,包括QRS波群波和ST-T段。自从QRS波代表心室去极化的时间和ST-T波代表减缓心室复极化时,QT段是总测量心室活动。心肌梗死通常发生在心室,因此心室活动的记录有一个更全面和准确的描述心肌梗塞。摘要QT段提取并统一的1000个样本作为心室活动特性。gydF4y2Ba (9)gydF4y2Ba 问gydF4y2Ba TgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba _gydF4y2Ba ampgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba _gydF4y2Ba ampgydF4y2Ba …gydF4y2Ba xgydF4y2Ba 米gydF4y2Ba _gydF4y2Ba ampgydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 往往gydF4y2Ba 。gydF4y2Ba

提取特征的注释。gydF4y2Ba

心电信号特征。gydF4y2Ba

数量gydF4y2Ba 心电信号特征gydF4y2Ba 引入心电信号特征参数gydF4y2Ba
1gydF4y2Ba 规则的功能gydF4y2Ba 包括ST段特性描述、Q波的特性描述,和T波的特性描述,总共7功能gydF4y2Ba
2gydF4y2Ba 心室活动特性gydF4y2Ba 包括1000个采样点的QT段gydF4y2Ba
3gydF4y2Ba 心室融合规则的功能gydF4y2Ba 结合统治者功能和心室活动特性gydF4y2Ba
3.3。压缩特性gydF4y2Ba

在本文中,考虑到心肌梗死不仅仅是体现在一个固定的特性,因为它是一个全面的测量Q波和ST-T段,规则功能集团是一家功能映射为医生诊断心肌梗塞,在这项工作不需要特征压缩。心室活动特性,所有采样点的QT段。简单地提取所有样本通常是混合冗余信息,和功能维度过高使计算复杂,因此它需要被压缩。不同的功能对相同的数据压缩方法有不同的影响。因此,对于心室活动特性,本文使用了三个技术比较:DWT, PCA,垂直距离。心室活动特征的1000个样本被压缩成32特性。gydF4y2Ba

3.3.1。离散小波变换gydF4y2Ba

离散小波变换是一种时间domain-frequency域变换分析方法(gydF4y2Ba 40gydF4y2Ba),可以将信号分解为不同频率成分通过高通滤波和低通滤波。高通滤波器的输出是细节系数,代表信号的高频信息;低通滤波器的输出是近似系数,代表信号的低频信息。在这个工作中,db4小波用于心室活动5层分解的特性。db4 ECG信号处理后的小波函数,平滑系数,同时保证更接近原始波形。离散小波变换是样本的规模和翻译参数连续小波在上面的公式(gydF4y2Ba 1gydF4y2Ba),这是定义如下:gydF4y2Ba (10)gydF4y2Ba WgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 一个gydF4y2Ba ∑gydF4y2Ba RgydF4y2Ba fgydF4y2Ba ngydF4y2Ba ψgydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

3.3.2。主成分分析gydF4y2Ba

主成分分析是一种基于正交变换的降维方法(gydF4y2Ba 41gydF4y2Ba),重组相关指标不相关的综合指标。这种技术使用线性投影将高维数据映射到低维空间,同时确保投影数据的方差最大化。在这个工作中,考虑到心电图数据乐队和相邻的数据通常是相关的,从而导致更大的冗余,全球关键特性提取。主成分分析的主要公式如下所示:gydF4y2Ba (11)gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba ∗gydF4y2Ba kgydF4y2Ba ′gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba ∗gydF4y2Ba ngydF4y2Ba VgydF4y2Ba ngydF4y2Ba ∗gydF4y2Ba kgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

当样例是一个gydF4y2Ba 米gydF4y2Ba ∗gydF4y2Ba ngydF4y2Ba矩阵gydF4y2Ba XgydF4y2Ba,找到gydF4y2Ba kgydF4y2Ba ∗gydF4y2Ba ngydF4y2Ba矩阵gydF4y2Ba VgydF4y2Ba TgydF4y2Ba 由最大的gydF4y2Ba kgydF4y2Ba矩阵的特征向量gydF4y2Ba XgydF4y2Ba TgydF4y2Ba XgydF4y2Ba 通过奇异值分解)。矩阵gydF4y2Ba VgydF4y2Ba TgydF4y2Ba 压缩的特点gydF4y2Ba 米gydF4y2Ba列gydF4y2Ba kgydF4y2Ba列。gydF4y2Ba

 3.3.3。保局投影gydF4y2Ba

本地保存的预测是一个线性降维技术,这减少了空间维度,同时保持内部固定的局部结构(gydF4y2Ba 42gydF4y2Ba]。后构造邻接矩阵表示样本之间的近距离的关系,这种技术介绍了Laplace-Beltrami功能和计算的最佳线性逼近获得局部保留投影。这项工作认为心室活动的特性相同的结构相似,和提取这些邻国的共性特征可以有效地比较功能。本地保存的损失函数的原理预测下列公式所示:gydF4y2Ba (12)gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ygydF4y2Ba 我gydF4y2Ba −gydF4y2Ba ygydF4y2Ba jgydF4y2Ba 2gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

在这里,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba 代表任何数据点gydF4y2Ba 我gydF4y2Ba 降维后,gydF4y2Ba ygydF4y2Ba jgydF4y2Ba 代表任何不包含的数据点gydF4y2Ba 我gydF4y2Ba 降维后点,gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 代表一个矩阵组成的重量系数之间的距离gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba jgydF4y2Ba 在最初的空间。gydF4y2Ba

 3.4。XGBoost模型描述gydF4y2Ba

XGBoost是一种改进的基于梯度的算法提高决策树(GBDT);GBDT相似,它是一个由多个决策树算法(gydF4y2Ba 43gydF4y2Ba]。K的基本思想是建立决策树,这样的预测价值树集团是尽可能接近真实价值(精度)和最大可能的泛化能力。算法的结构如图gydF4y2Ba 7gydF4y2Ba。该算法使用多个迭代;每次迭代产生一个弱分类器,每个分类器训练的基础上残留的前一轮分类器。最后,最终的分类器的精度不断提高通过减少偏差。gydF4y2Ba

XGBoost算法结构。gydF4y2Ba

输入样本gydF4y2Ba XgydF4y2Ba,输出预测模型gydF4y2Ba (13)gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba fgydF4y2Ba kgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba KgydF4y2Ba是数字的总数,gydF4y2Ba fgydF4y2Ba kgydF4y2Ba 代表了gydF4y2Ba kgydF4y2Bath树,gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba 代表样本的预测结果gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

损失函数表示为gydF4y2Ba (14)gydF4y2Ba ObjgydF4y2Ba θgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba lgydF4y2Ba ygydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba ΩgydF4y2Ba fgydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

在这里,gydF4y2Ba lgydF4y2Ba ygydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba 样本的训练误差,gydF4y2Ba ΩgydF4y2Ba fgydF4y2Ba kgydF4y2Ba 代表的正则项gydF4y2Ba kgydF4y2Bath树。所示的公式是(gydF4y2Ba 15gydF4y2Ba):gydF4y2Ba TgydF4y2Ba 是树的叶节点的数量,然后呢gydF4y2Ba wgydF4y2Ba 是输出的每棵树的叶节点。gydF4y2Ba (15)gydF4y2Ba ΩgydF4y2Ba fgydF4y2Ba tgydF4y2Ba =gydF4y2Ba γgydF4y2Ba TgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba λgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba wgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

自gydF4y2Ba fgydF4y2Ba 是一个决策树,而不是一个数值向量,它不能直接优化损失函数,因此有必要找到一个局部最优解通过贪婪算法;和预测评分gydF4y2Ba tgydF4y2Bath树可以表示为gydF4y2Ba (16)gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba fgydF4y2Ba tgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

优化得到的损失函数泰勒展开公式所示(gydF4y2Ba 17gydF4y2Ba),gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 一阶导数和吗gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba 表示二阶导数:gydF4y2Ba (17)gydF4y2Ba ObgydF4y2Ba jgydF4y2Ba tgydF4y2Ba θgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba fgydF4y2Ba tgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba hgydF4y2Ba 我gydF4y2Ba fgydF4y2Ba tgydF4y2Ba 2gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba γgydF4y2Ba TgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba λgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba wgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba wgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba hgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba λgydF4y2Ba wgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba γgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

在这里,通过gydF4y2Ba GgydF4y2Ba jgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba HgydF4y2Ba jgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba hgydF4y2Ba 我gydF4y2Ba 损失函数可以进一步压缩,得到公式(gydF4y2Ba 18gydF4y2Ba),其中的偏导数gydF4y2Ba wgydF4y2Ba jgydF4y2Ba 可以更换的gydF4y2Ba GgydF4y2Ba jgydF4y2Ba 和gydF4y2Ba HgydF4y2Ba jgydF4y2Ba 。公式(gydF4y2Ba 19gydF4y2Ba),最后损失函数公式所示(gydF4y2Ba 20.gydF4y2Ba)。gydF4y2Ba (18)gydF4y2Ba ObgydF4y2Ba jgydF4y2Ba tgydF4y2Ba θgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba GgydF4y2Ba jgydF4y2Ba wgydF4y2Ba jgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba HgydF4y2Ba jgydF4y2Ba +gydF4y2Ba λgydF4y2Ba wgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba γgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba (19)gydF4y2Ba wgydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba =gydF4y2Ba −gydF4y2Ba GgydF4y2Ba jgydF4y2Ba HgydF4y2Ba jgydF4y2Ba +gydF4y2Ba λgydF4y2Ba ,gydF4y2Ba (20)gydF4y2Ba ObgydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba GgydF4y2Ba jgydF4y2Ba HgydF4y2Ba jgydF4y2Ba +gydF4y2Ba λgydF4y2Ba +gydF4y2Ba γgydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

XGBoost的优点是,它有一个可靠的目标函数。XGBoost将正则化项添加到目标函数使训练模型简单,防止过度拟合。与GBDT相比,XGBoost扩展目标函数二阶泰勒,留住更多关于目标函数的信息,使得算法更快地收敛到全局最优。XGBoost执行列抽样以类似的方式随机森林,这不仅可以减少过度拟合也减少计算。本文比较多个分类器的性能,考虑分类器的特点,选择决策树作为基分类器。然后整体学习是用来减轻数据不平衡和改善分类器的性能。gydF4y2Ba

 4所示。结果gydF4y2Ba

在本部分中,实验的过程和结果将被详细描述。主题集中在特征提取和分类的心肌梗塞。根据临床医学诊断规则和医学意义,7规则特征提取和计算功能组,和所有的样本QT段与心室活动特征提取。为了减少12导心电图数据的冗余信息的心室和提高效率的模型,三种技术的DWT, PCA和垂直距离是用来转换和比较心室活动特性,分别和32个特征。最后,心室活动特征的表演最好的压缩效应和规则特性及其组合的分类效果进行了比较。本文使用PTB数据库。重点是8种心肌梗死的分析和分类,以及健康和其他疾病的数据。总共37359心跳被提取,和10倍交叉验证方法被用于模型(gydF4y2Ba 44gydF4y2Ba]。这个过程将训练集划分为十个子集。对于每个子集,其余数据集被用来训练模型,然后使用子集预测结果。这个过程被重复十次。预测结果的平均值作为最终的预测结果。分类结果帮助医生做出初步判断。gydF4y2Ba

4.1。实验数据gydF4y2Ba

本文使用的数据来自于肺结核诊断心电图数据库(gydF4y2Ba 45gydF4y2Ba]。肺结核诊断心电图数据库包含549条记录的290 MI,控制其他疾病和健康的病人。1 - 5为每个主题收集记录。每个记录是2分钟,包括15同时测量信号:传统的12和3 Frank-lead心电图信号。数据如表所示gydF4y2Ba 4gydF4y2Ba。在这项研究中,一个12导心电图8日被用来分析和分类数据类型的心肌梗死,健康,和其他疾病。gydF4y2Ba

肺结核数据集的疾病。gydF4y2Ba

不。gydF4y2Ba 诊断类gydF4y2Ba 记录gydF4y2Ba
1gydF4y2Ba 束支块gydF4y2Ba 17gydF4y2Ba
2gydF4y2Ba 心肌病gydF4y2Ba 17gydF4y2Ba
3gydF4y2Ba 节律障碍gydF4y2Ba 16gydF4y2Ba
4gydF4y2Ba 健康的控制gydF4y2Ba 80年gydF4y2Ba
5gydF4y2Ba 心脏衰竭gydF4y2Ba 3gydF4y2Ba
6gydF4y2Ba 心肌肥厚gydF4y2Ba 7gydF4y2Ba
7gydF4y2Ba 心肌梗死gydF4y2Ba 368年gydF4y2Ba
8gydF4y2Ba 心肌炎gydF4y2Ba 4gydF4y2Ba
9gydF4y2Ba N / A:临床总结gydF4y2Ba 27gydF4y2Ba
10gydF4y2Ba 心悸gydF4y2Ba 1gydF4y2Ba
11gydF4y2Ba 稳定心绞痛gydF4y2Ba 2gydF4y2Ba
12gydF4y2Ba 不稳定性心绞痛gydF4y2Ba 1gydF4y2Ba
13gydF4y2Ba 心脏瓣膜病gydF4y2Ba 6gydF4y2Ba

这项工作将心肌梗死从健康(H)和其他疾病(O),而分类前(A),前外侧(AL),前隔(),差(我),下侧(IL)、后(IP),劣质后横向(IPL)和后(P)心肌梗死。提取的数据如表所示gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

心跳总数中提取。gydF4y2Ba

类gydF4y2Ba 数量的节拍gydF4y2Ba
一个gydF4y2Ba 5001年gydF4y2Ba
艾尔gydF4y2Ba 4695年gydF4y2Ba
作为gydF4y2Ba 3219年gydF4y2Ba
我gydF4y2Ba 5395年gydF4y2Ba
伊尔gydF4y2Ba 3391年gydF4y2Ba
知识产权gydF4y2Ba 503年gydF4y2Ba
IPLgydF4y2Ba 1739年gydF4y2Ba
PgydF4y2Ba 460年gydF4y2Ba
HgydF4y2Ba 5820年gydF4y2Ba
OgydF4y2Ba 7136年gydF4y2Ba
总gydF4y2Ba 37359年gydF4y2Ba
4.2。评价指标gydF4y2Ba

本文实验结果得到了通过比较不同标签的输出模型和真正的标签。评价指标是基于文献[gydF4y2Ba 46gydF4y2Ba使用敏感性,特异性,阳性可预测性,和准确性对实验的结果进行评估。灵敏度(Se)的比例在所有阳性病例样本被认为是积极的。特异性(Sp)样品被认为是负面的比例在所有负面情况。阳性预测值(+gydF4y2Ba pgydF4y2Ba)也被称为精度,这是所有样品的正确比例被认为是积极的。准确性(Acc)的比例正确分类样本总样本。计算公式(gydF4y2Ba 21gydF4y2Ba)- (gydF4y2Ba 24gydF4y2Ba))的四个评价指标如下:gydF4y2Ba (21)gydF4y2Ba SegydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TP + FNgydF4y2Ba ,gydF4y2Ba (22)gydF4y2Ba SpgydF4y2Ba =gydF4y2Ba TNgydF4y2Ba TN + FPgydF4y2Ba ,gydF4y2Ba (23)gydF4y2Ba +gydF4y2Ba pgydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TP + FPgydF4y2Ba ,gydF4y2Ba (24)gydF4y2Ba AccgydF4y2Ba =gydF4y2Ba TP + TNgydF4y2Ba TP + TN + FP + FNgydF4y2Ba 。gydF4y2Ba

4.3。实验和结果分析gydF4y2Ba

为了验证提取的特征的有效性和比较XGBoost和其他分类器之间的表演,这项工作做了四组实验。实验1三种技术适用于比较心室活动特性和通过XGBoost验证效果。实验2比较规则的性能特性,心室活动特性,XGBoost和心室融合规则功能。为了验证XGBoost的有效性,实验3比较XGBoost与传统基本分类器的性能。同时,因为XGBoost属于整体学习,实验4比较它与其他系综分类器。最后,该方法相对于其他文献的方法。gydF4y2Ba

4.3.1。比较分析不同的降维方法gydF4y2Ba

为了充分探索在心肌梗死心电图信号的医学意义,本文提取1000 QT段样品室活动特性。同时,为了消除冗余信息的心室活动特性,实验1使用了三个不同的技术的DWT, PCA和垂直距离比较心室活动特性。表gydF4y2Ba 6gydF4y2Ba显示压缩的影响三个转换技术在心室活动特性。gydF4y2Ba

在PCA每个分类器的性能比较,垂直距离和DWT。gydF4y2Ba

分类器gydF4y2Ba 主成分分析(%)gydF4y2Ba 垂直距离(%)gydF4y2Ba DWT (%)gydF4y2Ba
然而,gydF4y2Ba 53.94gydF4y2Ba 97.74gydF4y2Ba 98.15gydF4y2Ba
GNBgydF4y2Ba 26.70gydF4y2Ba 23.43gydF4y2Ba 48.00gydF4y2Ba
乔治。gydF4y2Ba 13.88gydF4y2Ba 27.07gydF4y2Ba 76.00gydF4y2Ba
LRgydF4y2Ba 14.31gydF4y2Ba 39.75gydF4y2Ba 82.17gydF4y2Ba
DTgydF4y2Ba 73.16gydF4y2Ba 98.71gydF4y2Ba 92.84gydF4y2Ba
支持向量机gydF4y2Ba 61.17gydF4y2Ba 37.10gydF4y2Ba 98.55gydF4y2Ba
随机森林gydF4y2Ba 80.75gydF4y2Ba 99.43gydF4y2Ba 99.46gydF4y2Ba
演算法gydF4y2Ba 73.80gydF4y2Ba 98.31gydF4y2Ba 92.46gydF4y2Ba
ExtraTreesgydF4y2Ba 70.80gydF4y2Ba 99.19gydF4y2Ba 99.59gydF4y2Ba
装袋gydF4y2Ba 88.12gydF4y2Ba 99.19gydF4y2Ba 98.89gydF4y2Ba
GBDTgydF4y2Ba 67.98gydF4y2Ba 99.65gydF4y2Ba 97.96gydF4y2Ba
XGBoostgydF4y2Ba 93.02gydF4y2Ba 99.65gydF4y2Ba 99.70gydF4y2Ba
平均gydF4y2Ba 59.80gydF4y2Ba 76.60gydF4y2Ba 90.31gydF4y2Ba

根据实验结果,尽管PCA具有良好的个体分类器性能,例如,XGBoost达到93.02%,确实不适合在大多数分类器。这是因为PCA敏感地方奇异特性转换过程,但忽略了关键的详细特性,分类精度相对较低。垂直距离高性能大多数分类器;它达到了精度超过90%在他们中的大多数。但是,几个分类器,性能差,所以整体效果在所有分类器是不好的。DWT取得良好的性能在所有分类器,平均分类精度为90.31%。这是因为DWT降低了特征维数,使其尽可能接近原始信号波形,留住全球关键特性,所以总体分类精度更高,XGBoost到达99.70%。基于上述实验结果,本文将选择DWT变换后的心室活动特性作为进一步实验。gydF4y2Ba

 4.3.2。比较分析不同的特性gydF4y2Ba

为了理解和充分利用全球心肌梗死的特点,我们比较和分析规则的性能差异特性,心室活动特性,以及心室融合规则的特性和使用整体精度的最终指标比较。实验2的性能差异进行了比较,通过XGBoost三个特性集。表gydF4y2Ba 7gydF4y2Ba显示XGBoost三个特性集的分类性能。gydF4y2Ba

XGBoost分类性能的三个特性集。gydF4y2Ba

分类器gydF4y2Ba 规则特性(%)gydF4y2Ba 心室活动特性(%)gydF4y2Ba 心室融合规则特性(%)gydF4y2Ba
XGBoostgydF4y2Ba 99.67gydF4y2Ba 99.70gydF4y2Ba 99.86gydF4y2Ba

基于规则特征结果表明,模型具有较高的分类性能,和它的总准确率为99.67%。这表明医生的诊断规则有一个好的影响心肌梗死的识别,它本身可以分为一个强大的特性。心肌梗死的分类基于心室活动特性具有显著的性能,精度高达99.70%。因为它包含更多的心脏活动信息,改善了规则特性,但改善不明显。心室融合规则特性使用不同部分之间的关联信息和全球心室活动信息,和最终的分类精度为99.86%。与规则特性相比,心室融合规则功能补充内部的具体细节信息;与心室活动特性相比,心室融合规则特性添加段之间的关联信息。因此,相比之下,其他两个特性,心室融合规则特征的分类性能有一定的改善。表gydF4y2Ba 8gydF4y2Ba和gydF4y2Ba 9gydF4y2Ba和图gydF4y2Ba 8gydF4y2Ba显示心室融合规则的详细分类结果的特性。gydF4y2Ba

XGBoost与心室融合规则的特征分类结果特定类别统计。gydF4y2Ba

一个gydF4y2Ba 作为gydF4y2Ba 艾尔gydF4y2Ba 我gydF4y2Ba 伊尔gydF4y2Ba 知识产权gydF4y2Ba IPLgydF4y2Ba PgydF4y2Ba HgydF4y2Ba OgydF4y2Ba
一个gydF4y2Ba 500年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
作为gydF4y2Ba 1gydF4y2Ba 468年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
艾尔gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 320年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
我gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 537年gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba
伊尔gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 339年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
知识产权gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 50gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
IPLgydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 173年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
PgydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 46gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
HgydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 582年gydF4y2Ba 0gydF4y2Ba
OgydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 710年gydF4y2Ba

XGBoost与心室融合规则的特征分类的结果。gydF4y2Ba

TPgydF4y2Ba TNgydF4y2Ba 《外交政策》gydF4y2Ba FNgydF4y2Ba SegydF4y2Ba SpgydF4y2Ba +gydF4y2Ba pgydF4y2Ba AccgydF4y2Ba
一个gydF4y2Ba 500年gydF4y2Ba 3229年gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba One hundred.gydF4y2Ba 99.97gydF4y2Ba 99.80gydF4y2Ba 99.97gydF4y2Ba
作为gydF4y2Ba 468年gydF4y2Ba 3261年gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 99.79gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba 99.97gydF4y2Ba
艾尔gydF4y2Ba 320年gydF4y2Ba 3409年gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 99.69gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba 99.97gydF4y2Ba
我gydF4y2Ba 537年gydF4y2Ba 3191年gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 99.63gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba 99.95gydF4y2Ba
伊尔gydF4y2Ba 339年gydF4y2Ba 3390年gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba One hundred.gydF4y2Ba 99.97gydF4y2Ba 99.71gydF4y2Ba 99.97gydF4y2Ba
知识产权gydF4y2Ba 50gydF4y2Ba 3680年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba
IPLgydF4y2Ba 173年gydF4y2Ba 3557年gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba One hundred.gydF4y2Ba
PgydF4y2Ba 46gydF4y2Ba 3683年gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba One hundred.gydF4y2Ba 99.97gydF4y2Ba 97.87gydF4y2Ba 99.97gydF4y2Ba
HgydF4y2Ba 582年gydF4y2Ba 3147年gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba One hundred.gydF4y2Ba 99.97gydF4y2Ba 99.83gydF4y2Ba 99.97gydF4y2Ba
OgydF4y2Ba 710年gydF4y2Ba 3019年gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 99.86gydF4y2Ba 99.97gydF4y2Ba 99.86gydF4y2Ba 99.95gydF4y2Ba

混淆矩阵根据分类结果XGBoost心室融合规则的功能。gydF4y2Ba

 4.3.3。比较分析XGBoost和基分类器gydF4y2Ba

实验3 XGBoost和传统分类器之间的性能比较。本文选择6个基本分类器进行比较:再(资讯),高斯朴素贝叶斯(GNB),线性判别分析(LDA),决策树(DT)、支持向量机(SVM)和逻辑回归(LR)。比较结果如表所示gydF4y2Ba 10gydF4y2Ba。gydF4y2Ba

详细的XGBoost和其他基本分类器之间的性能比较。gydF4y2Ba

分类器gydF4y2Ba 规则特性(%)gydF4y2Ba 心室活动特性(%)gydF4y2Ba 心室融合规则特性(%)gydF4y2Ba
GNBgydF4y2Ba 42.68gydF4y2Ba 48.00gydF4y2Ba 56.11gydF4y2Ba
乔治。gydF4y2Ba 55.63gydF4y2Ba 76.00gydF4y2Ba 84.98gydF4y2Ba
LRgydF4y2Ba 61.98gydF4y2Ba 82.17gydF4y2Ba 92.57gydF4y2Ba
DTgydF4y2Ba 93.53gydF4y2Ba 92.84gydF4y2Ba 95.65gydF4y2Ba
支持向量机gydF4y2Ba 89.00gydF4y2Ba 98.55gydF4y2Ba 99.08gydF4y2Ba
然而,gydF4y2Ba 95.33gydF4y2Ba 98.15gydF4y2Ba 99.06gydF4y2Ba
XGBoostgydF4y2Ba 99.67gydF4y2Ba 99.70gydF4y2Ba 99.86gydF4y2Ba

结果表明,与基本的分类器相比,XGBoost显著的性能在所有三个特性集。其中,对于所有分类器,心室融合规则特性有一定的性能相比其他特性的改善。除了XGBoost, DT、支持向量机和资讯都有良好的分类性能,分类精度约为90%,但支持向量机的性能极大地影响特征维度,和分类性能不稳定。gydF4y2Ba

 4.3.4。比较分析不同的搭配方法gydF4y2Ba

实验4比较XGBoost分类器的性能与其他集合的方法。本文选择几种常见合奏的方法比较,比如演算法,GBDT,装袋,随机森林,ExtraTrees。结果如表所示gydF4y2Ba 11gydF4y2Ba。gydF4y2Ba

详细的性能对比XGBoost和其他系综分类器。gydF4y2Ba

分类器gydF4y2Ba 规则特性(%)gydF4y2Ba 心室活动特性(%)gydF4y2Ba 心室融合规则特性(%)gydF4y2Ba
随机森林gydF4y2Ba 99.27gydF4y2Ba 99.46gydF4y2Ba 99.75gydF4y2Ba
ExtraTreesgydF4y2Ba 99.51gydF4y2Ba 99.59gydF4y2Ba 99.75gydF4y2Ba
演算法gydF4y2Ba 94.45gydF4y2Ba 92.46gydF4y2Ba 95.54gydF4y2Ba
装袋gydF4y2Ba 98.25gydF4y2Ba 97.98gydF4y2Ba 98.60gydF4y2Ba
GBDTgydF4y2Ba 98.04gydF4y2Ba 97.96gydF4y2Ba 99.19gydF4y2Ba
XGBoostgydF4y2Ba 99.67gydF4y2Ba 99.70gydF4y2Ba 99.86gydF4y2Ba

结果表明,每个系综分类器更高的性能在每个特性集。其中,随机森林,ExtraTrees,和XGBoost是最突出的,在所有特性集达到99%的准确率。然而,在一个全面的比较,XGBoost具有最佳性能,达到99.6%的所有特性集,心室融合规则的准确性特征甚至99.86%。gydF4y2Ba

 4.3.5。与其他研究进行比较分析gydF4y2Ba

为了验证该方法的性能,本文进行比较与其他文献的方法。结果如表所示gydF4y2Ba 12gydF4y2Ba。上面的四个实验表明,基于心室XGBoost模型融合规则有更好的性能比其他方法本文和整体精度达到99.86%。这种方法不仅可以识别心肌梗死,健康,和其他疾病也检测8部分心肌梗死。与文献[gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 28gydF4y2Ba,gydF4y2Ba 29日gydF4y2Ba,gydF4y2Ba 47gydF4y2Ba),该方法在检测和位置优越的结果,也是竞争相比,深度学习网络。因此,与上述文献结果相比,该方法具有良好的识别性能的心肌梗塞。gydF4y2Ba

比较该方法与其他相关的文献。gydF4y2Ba

参考gydF4y2Ba 类数gydF4y2Ba 功能gydF4y2Ba 分类器gydF4y2Ba 性能(%)gydF4y2Ba
林等。gydF4y2Ba 5gydF4y2Ba]gydF4y2Ba 2gydF4y2Ba MODWPT、统计gydF4y2Ba 然而,gydF4y2Ba Acc = 99.57;Se = 99.82;Sp = 98.79gydF4y2Ba
Baloglu et al。gydF4y2Ba 12gydF4y2Ba]gydF4y2Ba 11gydF4y2Ba 端到端gydF4y2Ba 美国有线电视新闻网gydF4y2Ba Acc = 99.78;gydF4y2Ba
汉和施gydF4y2Ba 13gydF4y2Ba]gydF4y2Ba 7gydF4y2Ba 端到端gydF4y2Ba ResNetgydF4y2Ba Acc = 99.72;Se = 99.63;Sp = 99.72;gydF4y2Ba
汉和施gydF4y2Ba 28gydF4y2Ba]gydF4y2Ba 2gydF4y2Ba MODWPT,形态gydF4y2Ba 支持向量机gydF4y2Ba Acc = 99.81;Se = 99.56;+gydF4y2Ba pgydF4y2Ba= 99.74gydF4y2Ba
Acharya et al。gydF4y2Ba 29日gydF4y2Ba]gydF4y2Ba 11gydF4y2Ba DWTgydF4y2Ba 然而,gydF4y2Ba Acc = 98.80;Se = 99.45;Sp = 96.27gydF4y2Ba
Padhy和DandapatgydF4y2Ba 47gydF4y2Ba]gydF4y2Ba 6gydF4y2Ba 奇异值分解gydF4y2Ba 支持向量机gydF4y2Ba Acc = 95.30;Se = 94.60;Sp = 96.00gydF4y2Ba
刘等人。gydF4y2Ba 48gydF4y2Ba]gydF4y2Ba 6gydF4y2Ba 端到端gydF4y2Ba 美国有线电视新闻网gydF4y2Ba Acc = 99.81gydF4y2Ba
提出了gydF4y2Ba 10gydF4y2Ba DWT,规则特性gydF4y2Ba XGBoostgydF4y2Ba Acc = 99.86;Se = 99.86;Sp = 99.86gydF4y2Ba
5。结论gydF4y2Ba

准确识别基于医疗原则的心肌梗死治疗的患者是很重要的。因此,基于心室心肌梗死的分类方法融合规则特性和XGBoost算法。在预处理中,小波变换用于去噪和波形分割。然后,规则特征基于临床诊断规则和心室活动特征提取的基于心肌梗死病理。通过比较PCA的压缩性能,垂直距离,和DWT,低维、高效心室活动特性。上面的方法获得的特征融合到最终功能组心室融合特性。MI分类,结合10倍交叉验证与其他算法相比,基于XGBoost算法分类方法获得总准确率为99.86%。该方法的主要优点包括以下:充分考虑心肌梗死提取综合功能的开发过程信息;比较多个压缩方法和分类策略来得到最好的心肌梗死检测和定位策略;心室融合规则特征提取基于心肌梗死的心电图特定波形变化和医生的诊断策略更重要的临床意义和良好的结果。gydF4y2Ba

然而,规则特性提出了不全面描述医生的诊断规则,如ST段的内部变化。在未来,更多的可解释性和简化功能基于临床诊断规则应用于检测和心肌梗死的位置。与此同时,上述方法仍然依靠临床心电图数据的质量,所以我们将专注于ECG数据的收集和处理。gydF4y2Ba

 数据可用性gydF4y2Ba

所有的数据集用于支持本研究的结果包括在本文中。所有数据集用于支持本研究的发现提供的公开肺结核从麻省理工学院的数据库。URL来访问该数据gydF4y2Ba https://www.physionet.org/cgi-bin/atm/ATMgydF4y2Ba。编码和源代码用于支持本研究的发现没有源代码可用,因为在本文中是一个国家项目的一部分,是商业秘密。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项工作是支持部分由中国国家重点研发项目(批准号2017 yfb1401200);重点科技项目的新疆生产建设兵团(批准号2018 ab017);重点研究、开发和推广项目的河南人(科技)(批准号182207310002);中国国家自然科学基金(批准号61872324);项目为河南省高校科技创新人才(批准号21 hastit031); Training Plan for Young Backbone Teachers of Colleges and Universities in Henan (Grant no. 2019GGJS018); Key Scientific Research Project of Colleges and Universities in Henan Province (Grant no. 20A520035); and Collaborative Innovation Major Project of Zhengzhou (Grant no. 20XTZX06013).

 米兰达gydF4y2Ba d F。gydF4y2Ba 洛沃gydF4y2Ba 答:S。gydF4y2Ba 沃尔什gydF4y2Ba B。gydF4y2Ba 桑多瓦尔市gydF4y2Ba Y。gydF4y2Ba 史密斯gydF4y2Ba s W。gydF4y2Ba 新见解的使用12导心电图诊断急性心肌梗死的急诊gydF4y2Ba 加拿大心脏病学杂志》gydF4y2Ba 2018年gydF4y2Ba 34gydF4y2Ba 2gydF4y2Ba 132年gydF4y2Ba 145年gydF4y2Ba 10.1016 / j.cjca.2017.11.011gydF4y2Ba 2 - s2.0 - 85044659912gydF4y2Ba BoersmagydF4y2Ba E。gydF4y2Ba MaasgydF4y2Ba a . C。gydF4y2Ba 德克斯公司gydF4y2Ba j·W。gydF4y2Ba 西蒙风gydF4y2Ba m . L。gydF4y2Ba 早期溶栓治疗急性心肌梗塞:重新评价的黄金时间gydF4y2Ba 《柳叶刀》gydF4y2Ba 1996年gydF4y2Ba 348年gydF4y2Ba 9030年gydF4y2Ba 771年gydF4y2Ba 775年gydF4y2Ba 10.1016 / s0140 - 6736 (96) 02514 - 7gydF4y2Ba 2 - s2.0 - 0030596903gydF4y2Ba 索贝尔gydF4y2Ba b E。gydF4y2Ba 壳牌gydF4y2Ba w·E。gydF4y2Ba 血清酶在心肌梗死的诊断和评估决定gydF4y2Ba 循环gydF4y2Ba 1972年gydF4y2Ba 45gydF4y2Ba 2gydF4y2Ba 471年gydF4y2Ba 482年gydF4y2Ba 10.1161/01. cir.45.2.471gydF4y2Ba 2 - s2.0 - 0015288696gydF4y2Ba KayikcioglugydF4y2Ba İ。gydF4y2Ba AkdenizgydF4y2Ba F。gydF4y2Ba 高丝gydF4y2Ba C。gydF4y2Ba KayikcioglugydF4y2Ba T。gydF4y2Ba 心肌梗死心电图分类时频方法gydF4y2Ba 计算机与电气工程gydF4y2Ba 2020年gydF4y2Ba 84年gydF4y2Ba 106621年gydF4y2Ba 10.1016 / j.compeleceng.2020.106621gydF4y2Ba 林gydF4y2Ba Z。gydF4y2Ba 高gydF4y2Ba Y。gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 通用电气gydF4y2Ba Q。gydF4y2Ba 马海拉gydF4y2Ba G。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 自动检测心肌梗死使用健壮的特性提取12导心电图gydF4y2Ba 信号,图像和视频处理gydF4y2Ba 2020年gydF4y2Ba 14gydF4y2Ba 5gydF4y2Ba 857年gydF4y2Ba 865年gydF4y2Ba 10.1007 / s11760 - 019 - 01617 - ygydF4y2Ba ZimetbaumgydF4y2Ba p . J。gydF4y2Ba 约瑟夫森效应gydF4y2Ba m E。gydF4y2Ba 使用心电图在急性心肌梗塞gydF4y2Ba 新英格兰医学杂志》上gydF4y2Ba 2003年gydF4y2Ba 348年gydF4y2Ba 10gydF4y2Ba 933年gydF4y2Ba 940年gydF4y2Ba 10.1056 / nejmra022700gydF4y2Ba 2 - s2.0 - 0037422025gydF4y2Ba ThygesengydF4y2Ba K。gydF4y2Ba 阿尔珀特gydF4y2Ba j·S。gydF4y2Ba 白色的gydF4y2Ba h . D。gydF4y2Ba 心肌梗死的通用定义gydF4y2Ba 美国心脏病学会杂志》上gydF4y2Ba 2007年gydF4y2Ba 50gydF4y2Ba 22gydF4y2Ba 2173年gydF4y2Ba 2195年gydF4y2Ba 10.1016 / j.jacc.2007.09.011gydF4y2Ba 2 - s2.0 - 36249003906gydF4y2Ba GoldbergergydF4y2Ba a . L。gydF4y2Ba GoldbergergydF4y2Ba z D。gydF4y2Ba ShvilkingydF4y2Ba 一个。gydF4y2Ba 临床心电描记法:电子书的简化方法gydF4y2Ba 2017年gydF4y2Ba 荷兰阿姆斯特丹gydF4y2Ba 爱思唯尔健康科学gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 藤田gydF4y2Ba H。gydF4y2Ba 哦gydF4y2Ba s . L。gydF4y2Ba HagiwaragydF4y2Ba Y。gydF4y2Ba 棕褐色gydF4y2Ba j . H。gydF4y2Ba 亚当gydF4y2Ba M。gydF4y2Ba 深的应用卷积神经网络的自动检测心肌梗死使用心电图信号gydF4y2Ba 信息科学gydF4y2Ba 2017年gydF4y2Ba 415 - 416gydF4y2Ba 190年gydF4y2Ba 198年gydF4y2Ba 10.1016 / j.ins.2017.06.027gydF4y2Ba 2 - s2.0 - 85021383374gydF4y2Ba 他gydF4y2Ba h·W。gydF4y2Ba 周润发gydF4y2Ba k . L。gydF4y2Ba 多类分类的心肌梗死与卷积和复发性神经网络为便携式心电图设备gydF4y2Ba 医学信息学解锁gydF4y2Ba 2018年gydF4y2Ba 13gydF4y2Ba 26gydF4y2Ba 33gydF4y2Ba 10.1016 / j.imu.2018.08.002gydF4y2Ba 2 - s2.0 - 85054021802gydF4y2Ba 科拉琴gydF4y2Ba P。gydF4y2Ba 使用混合萤火虫算法基于心电图心肌梗死检测gydF4y2Ba 计算机在生物医学方法和项目gydF4y2Ba 2017年gydF4y2Ba 152年gydF4y2Ba 141年gydF4y2Ba 148年gydF4y2Ba 10.1016 / j.cmpb.2017.09.015gydF4y2Ba 2 - s2.0 - 85030103123gydF4y2Ba BaloglugydF4y2Ba 美国B。gydF4y2Ba TalogydF4y2Ba M。gydF4y2Ba YildirimgydF4y2Ba O。gydF4y2Ba 棕褐色gydF4y2Ba r S。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 分类多回路的心肌梗死心电图信号和深CNNgydF4y2Ba 模式识别的字母gydF4y2Ba 2019年gydF4y2Ba 122年gydF4y2Ba 23gydF4y2Ba 30.gydF4y2Ba 10.1016 / j.patrec.2019.02.016gydF4y2Ba 2 - s2.0 - 85061592365gydF4y2Ba 汉gydF4y2Ba C。gydF4y2Ba 史gydF4y2Ba lgydF4y2Ba ML-ResNet:一种新颖的网络使用12导致心肌梗塞心电图检测和定位gydF4y2Ba 计算机在生物医学方法和项目gydF4y2Ba 2020年gydF4y2Ba 185年gydF4y2Ba 105138年gydF4y2Ba 10.1016 / j.cmpb.2019.105138gydF4y2Ba 郝gydF4y2Ba P。gydF4y2Ba 高gydF4y2Ba X。gydF4y2Ba 李gydF4y2Ba Z。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 吴gydF4y2Ba F。gydF4y2Ba 白gydF4y2Ba C。gydF4y2Ba 多分支融合网络的心肌梗死筛选12导心电图图像gydF4y2Ba 计算机在生物医学方法和项目gydF4y2Ba 2020年gydF4y2Ba 184年gydF4y2Ba 105286年gydF4y2Ba 10.1016 / j.cmpb.2019.105286gydF4y2Ba PrabhakararaogydF4y2Ba E。gydF4y2Ba DandapatgydF4y2Ba 年代。gydF4y2Ba 心肌梗塞严重阶段分类使用递归神经网络注意力从心电图信号gydF4y2Ba IEEE传感器杂志gydF4y2Ba 2020年gydF4y2Ba 20.gydF4y2Ba 15gydF4y2Ba 8711年gydF4y2Ba 8720年gydF4y2Ba 10.1109 / jsen.2020.2984493gydF4y2Ba 杉本学gydF4y2Ba K。gydF4y2Ba 今敏gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba 冈田克也gydF4y2Ba Y。gydF4y2Ba 检测和定位的基于卷积autoencoder心肌梗死gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2019年gydF4y2Ba 178年gydF4y2Ba 123年gydF4y2Ba 131年gydF4y2Ba 10.1016 / j.knosys.2019.04.023gydF4y2Ba 2 - s2.0 - 85065188177gydF4y2Ba 沙玛gydF4y2Ba l D。gydF4y2Ba SunkariagydF4y2Ba r·K。gydF4y2Ba 心肌梗死检测和定位使用基于最优特性导致特定的方法gydF4y2Ba IRBMgydF4y2Ba 2020年gydF4y2Ba 41gydF4y2Ba 1gydF4y2Ba 58gydF4y2Ba 70年gydF4y2Ba 10.1016 / j.irbm.2019.09.003gydF4y2Ba 2 - s2.0 - 85073030846gydF4y2Ba bloomgydF4y2Ba C。gydF4y2Ba LihgydF4y2Ba o年代。gydF4y2Ba JahmunahgydF4y2Ba V。gydF4y2Ba KohgydF4y2Ba j·e·W。gydF4y2Ba CiacciogydF4y2Ba e . J。gydF4y2Ba 圣gydF4y2Ba t·R。gydF4y2Ba ArunkumargydF4y2Ba N。gydF4y2Ba KadrygydF4y2Ba 年代。gydF4y2Ba Rajendra AcharyagydF4y2Ba U。gydF4y2Ba 准确的检测心肌梗死心电图信号使用非线性特性gydF4y2Ba 环境智能和人性化计算杂志》上gydF4y2Ba 2020年gydF4y2Ba 12gydF4y2Ba 3gydF4y2Ba 3227年gydF4y2Ba 3244年gydF4y2Ba 10.1007 / s12652 - 020 - 02536 - 4gydF4y2Ba HeogydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba J·J。gydF4y2Ba KwongydF4y2Ba 年代。gydF4y2Ba 金gydF4y2Ba B。gydF4y2Ba 黄gydF4y2Ba s . O。gydF4y2Ba 尹gydF4y2Ba y R。gydF4y2Ba 一个新颖的方法检测ST段抬高心肌梗死与一个三维的12导心电图显示gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2020年gydF4y2Ba 56gydF4y2Ba 101700年gydF4y2Ba 10.1016 / j.bspc.2019.101700gydF4y2Ba 刘gydF4y2Ba J。gydF4y2Ba 张gydF4y2Ba C。gydF4y2Ba 朱gydF4y2Ba Y。gydF4y2Ba RistaniemigydF4y2Ba T。gydF4y2Ba ParviainengydF4y2Ba T。gydF4y2Ba 琮gydF4y2Ba F。gydF4y2Ba 自动检测和定位系统single-beat心肌梗死的心电图使用Dual-Q TQWT和小波包张量分解gydF4y2Ba 计算机在生物医学方法和项目gydF4y2Ba 2020年gydF4y2Ba 184年gydF4y2Ba 105120年gydF4y2Ba 10.1016 / j.cmpb.2019.105120gydF4y2Ba 超gydF4y2Ba p S。gydF4y2Ba DandapatgydF4y2Ba 年代。gydF4y2Ba 机器学习分类器的评估检测心肌梗死使用小波熵和特征空间特性gydF4y2Ba 学报2020年IEEE应用信号处理会议(ASPCON)gydF4y2Ba 2020年10月gydF4y2Ba 加尔各答,印度gydF4y2Ba 222年gydF4y2Ba 226年gydF4y2Ba ArifgydF4y2Ba M。gydF4y2Ba MalagoregydF4y2Ba 我一个。gydF4y2Ba AfsargydF4y2Ba f。gydF4y2Ba 心肌梗死再使用分类器的检测和定位gydF4y2Ba 医疗系统杂志gydF4y2Ba 2012年gydF4y2Ba 36gydF4y2Ba 1gydF4y2Ba 279年gydF4y2Ba 289年gydF4y2Ba 10.1007 / s10916 - 010 - 9474 - 3gydF4y2Ba 2 - s2.0 - 84860260435gydF4y2Ba DoharegydF4y2Ba 答:K。gydF4y2Ba 库马尔gydF4y2Ba V。gydF4y2Ba 库马尔gydF4y2Ba R。gydF4y2Ba 检测心肌梗死的12导心电图使用支持向量机gydF4y2Ba 应用软计算gydF4y2Ba 2018年gydF4y2Ba 64年gydF4y2Ba 138年gydF4y2Ba 147年gydF4y2Ba 10.1016 / j.asoc.2017.12.001gydF4y2Ba 2 - s2.0 - 85038094641gydF4y2Ba RemyagydF4y2Ba r S。gydF4y2Ba IndiradevigydF4y2Ba k P。gydF4y2Ba 先生gydF4y2Ba k . k . A。gydF4y2Ba 分类使用多分辨率小波分析心肌梗死的心电图gydF4y2Ba Procedia技术gydF4y2Ba 2016年gydF4y2Ba 24gydF4y2Ba 949年gydF4y2Ba 956年gydF4y2Ba 10.1016 / j.protcy.2016.05.195gydF4y2Ba 筑堤者gydF4y2Ba 一个。gydF4y2Ba ComertgydF4y2Ba Z。gydF4y2Ba AvcigydF4y2Ba E。gydF4y2Ba VelappangydF4y2Ba 年代。gydF4y2Ba 智能系统基于遗传算法和支持向量机检测心肌梗死的心电图信号gydF4y2Ba 学报2018年26日信号处理和通信应用会议(SIU)gydF4y2Ba 2018年5月gydF4y2Ba 伊兹密尔,土耳其gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 太阳gydF4y2Ba lgydF4y2Ba 陆gydF4y2Ba Y。gydF4y2Ba 杨gydF4y2Ba K。gydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba 使用多实例学习心肌梗死心电图分析检测gydF4y2Ba IEEE生物医学工程gydF4y2Ba 2012年gydF4y2Ba 59gydF4y2Ba 12gydF4y2Ba 3348年gydF4y2Ba 3356年gydF4y2Ba 10.1109 / tbme.2012.2213597gydF4y2Ba 2 - s2.0 - 84870542273gydF4y2Ba SafdariangydF4y2Ba N。gydF4y2Ba DabanloogydF4y2Ba n . J。gydF4y2Ba AttarodigydF4y2Ba G。gydF4y2Ba 检测和定位的一种新的模式识别方法提取心肌梗塞使用让积分和总积分作为ECG信号的特性从一个循环gydF4y2Ba 生物医学科学与工程》杂志上gydF4y2Ba 2014年gydF4y2Ba 7gydF4y2Ba 10gydF4y2Ba 818年gydF4y2Ba 824年gydF4y2Ba 10.4236 / jbise.2014.710081gydF4y2Ba 汉gydF4y2Ba C。gydF4y2Ba 史gydF4y2Ba lgydF4y2Ba 自动可检测心肌梗死的融合能量熵和形态学特征gydF4y2Ba 计算机在生物医学方法和项目gydF4y2Ba 2019年gydF4y2Ba 175年gydF4y2Ba 9gydF4y2Ba 23gydF4y2Ba 10.1016 / j.cmpb.2019.03.012gydF4y2Ba 2 - s2.0 - 85063685020gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 藤田gydF4y2Ba H。gydF4y2Ba 苏达山gydF4y2Ba 诉K。gydF4y2Ba 哦gydF4y2Ba s . L。gydF4y2Ba 亚当gydF4y2Ba M。gydF4y2Ba KohgydF4y2Ba j·e·W。gydF4y2Ba 棕褐色gydF4y2Ba j . H。gydF4y2Ba GhistagydF4y2Ba d . N。gydF4y2Ba Martis称gydF4y2Ba r . J。gydF4y2Ba 蔡gydF4y2Ba c K。gydF4y2Ba 粪便gydF4y2Ba c K。gydF4y2Ba 棕褐色gydF4y2Ba r S。gydF4y2Ba 自动检测和定位的使用心电图心肌梗死:比较研究不同的线索gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2016年gydF4y2Ba 99年gydF4y2Ba 146年gydF4y2Ba 156年gydF4y2Ba 10.1016 / j.knosys.2016.01.040gydF4y2Ba 2 - s2.0 - 84961249972gydF4y2Ba 沙玛gydF4y2Ba M。gydF4y2Ba 棕褐色gydF4y2Ba r S。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 一种新颖的自动诊断系统对于心肌梗死心电图信号的分类使用最优双正交滤波器组gydF4y2Ba 计算机在生物学和医学gydF4y2Ba 2018年gydF4y2Ba 102年gydF4y2Ba 341年gydF4y2Ba 356年gydF4y2Ba 10.1016 / j.compbiomed.2018.07.005gydF4y2Ba 2 - s2.0 - 85050223417gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 藤田gydF4y2Ba H。gydF4y2Ba 亚当gydF4y2Ba M。gydF4y2Ba LihgydF4y2Ba o年代。gydF4y2Ba 苏达山gydF4y2Ba 诉K。gydF4y2Ba 在香港gydF4y2Ba t·J。gydF4y2Ba KohgydF4y2Ba j·E。gydF4y2Ba HagiwaragydF4y2Ba Y。gydF4y2Ba 蔡gydF4y2Ba c K。gydF4y2Ba 粪便gydF4y2Ba c K。gydF4y2Ba 圣gydF4y2Ba t·R。gydF4y2Ba 自动化的特征和分类的冠状动脉疾病和心肌梗塞心电图信号的分解:一个比较研究gydF4y2Ba 信息科学gydF4y2Ba 2017年gydF4y2Ba 377年gydF4y2Ba 17gydF4y2Ba 29日gydF4y2Ba 10.1016 / j.ins.2016.10.013gydF4y2Ba 2 - s2.0 - 84992385104gydF4y2Ba 库马尔gydF4y2Ba M。gydF4y2Ba PachorigydF4y2Ba R。gydF4y2Ba 阿查里雅gydF4y2Ba U。gydF4y2Ba 自动诊断心肌梗死心电图信号小波变换在灵活使用样本熵分析框架gydF4y2Ba 熵gydF4y2Ba 2017年gydF4y2Ba 19gydF4y2Ba 9gydF4y2Ba 488年gydF4y2Ba 10.3390 / e19090488gydF4y2Ba 2 - s2.0 - 85030867580gydF4y2Ba BhaskargydF4y2Ba n。gydF4y2Ba 性能分析的支持向量机和神经网络检测心肌梗死gydF4y2Ba Procedia计算机科学gydF4y2Ba 2015年gydF4y2Ba 46gydF4y2Ba 20.gydF4y2Ba 30.gydF4y2Ba 10.1016 / j.procs.2015.01.043gydF4y2Ba 2 - s2.0 - 84931301329gydF4y2Ba 库托德gydF4y2Ba G。gydF4y2Ba OuzouniangydF4y2Ba M。gydF4y2Ba 刘gydF4y2Ba P P。gydF4y2Ba 早期发现心肌功能障碍和心力衰竭gydF4y2Ba 自然评论心脏病学gydF4y2Ba 2010年gydF4y2Ba 7gydF4y2Ba 6gydF4y2Ba 334年gydF4y2Ba 344年gydF4y2Ba 10.1038 / nrcardio.2010.51gydF4y2Ba 2 - s2.0 - 77953021953gydF4y2Ba Juarez-OrozcogydF4y2Ba l E。gydF4y2Ba Martinez-ManzaneragydF4y2Ba O。gydF4y2Ba StortigydF4y2Ba 答:E。gydF4y2Ba KnuutigydF4y2Ba J。gydF4y2Ba 机器学习的评价通过核心脏病心肌缺血gydF4y2Ba 当前心血管成像报告gydF4y2Ba 2019年gydF4y2Ba 12gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba 10.1007 / s12410 - 019 - 9480 - xgydF4y2Ba 2 - s2.0 - 85061261852gydF4y2Ba BhoigydF4y2Ba 答:K。gydF4y2Ba 夏尔巴人gydF4y2Ba k . S。gydF4y2Ba 口gydF4y2Ba B。gydF4y2Ba 心律失常和心肌缺血的分类和聚类使用QRS-ST-T (QT)心电图分析gydF4y2Ba 集群计算gydF4y2Ba 2018年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 1033年gydF4y2Ba 1044年gydF4y2Ba 10.1007 / s10586 - 017 - 0957 - 6gydF4y2Ba 2 - s2.0 - 85020410572gydF4y2Ba BhoigydF4y2Ba 答:K。gydF4y2Ba 夏尔巴人gydF4y2Ba k . S。gydF4y2Ba qrs波群的统计分析来评估QR和RS间隔在缺血改变gydF4y2Ba 医学成像和卫生信息学杂志》上gydF4y2Ba 2016年gydF4y2Ba 6gydF4y2Ba 1gydF4y2Ba 210年gydF4y2Ba 214年gydF4y2Ba 10.1166 / jmihi.2016.1581gydF4y2Ba 2 - s2.0 - 84959303174gydF4y2Ba 汉gydF4y2Ba G。gydF4y2Ba 徐gydF4y2Ba Z。gydF4y2Ba 心电图信号基于一个新的改进的小波阈值去噪gydF4y2Ba 审查的科学仪器gydF4y2Ba 2016年gydF4y2Ba 87年gydF4y2Ba 8gydF4y2Ba 084303年gydF4y2Ba 10.1063/1.4960411gydF4y2Ba 2 - s2.0 - 84982182678gydF4y2Ba VassilikosgydF4y2Ba 诉P。gydF4y2Ba MantziarigydF4y2Ba lgydF4y2Ba DakosgydF4y2Ba G。gydF4y2Ba KamperidisgydF4y2Ba V。gydF4y2Ba ChouvardagydF4y2Ba 我。gydF4y2Ba ChatzizisisgydF4y2Ba y S。gydF4y2Ba KalpidisgydF4y2Ba P。gydF4y2Ba TheofilogiannakosgydF4y2Ba E。gydF4y2Ba ParaskevaidisgydF4y2Ba 年代。gydF4y2Ba KarvounisgydF4y2Ba H。gydF4y2Ba MochlasgydF4y2Ba 年代。gydF4y2Ba MaglaverasgydF4y2Ba N。gydF4y2Ba StyliadisgydF4y2Ba i . H。gydF4y2Ba QRS分析使用小波变换对心脏再同步化治疗的预测:未来的初步研究gydF4y2Ba 心电学杂志》gydF4y2Ba 2014年gydF4y2Ba 47gydF4y2Ba 1gydF4y2Ba 59gydF4y2Ba 65年gydF4y2Ba 10.1016 / j.jelectrocard.2013.08.003gydF4y2Ba 2 - s2.0 - 84891481352gydF4y2Ba JayachandrangydF4y2Ba 大肠。gydF4y2Ba 约瑟夫gydF4y2Ba k P。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 使用离散小波变换分析心肌梗死gydF4y2Ba 医疗系统杂志gydF4y2Ba 2010年gydF4y2Ba 34gydF4y2Ba 6gydF4y2Ba 985年gydF4y2Ba 992年gydF4y2Ba 10.1007 / s10916 - 009 - 9314 - 5gydF4y2Ba 2 - s2.0 - 78649316794gydF4y2Ba 荒原gydF4y2Ba 年代。gydF4y2Ba EsbensengydF4y2Ba K。gydF4y2Ba GeladigydF4y2Ba P。gydF4y2Ba 主成分分析gydF4y2Ba 化学计量学和智能实验室系统gydF4y2Ba 1987年gydF4y2Ba 2gydF4y2Ba 1 - 3gydF4y2Ba 37gydF4y2Ba 52gydF4y2Ba 10.1016 / 0169 - 7439 (87)80084 - 9gydF4y2Ba 2 - s2.0 - 45949123735gydF4y2Ba 他gydF4y2Ba X。gydF4y2Ba 他gydF4y2Ba P。gydF4y2Ba 保局投影gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2003年gydF4y2Ba 16gydF4y2Ba 1gydF4y2Ba 186年gydF4y2Ba 197年gydF4y2Ba 陈gydF4y2Ba T。gydF4y2Ba GuestringydF4y2Ba C。gydF4y2Ba Xgboost:一个可伸缩的树增强系统gydF4y2Ba 22 acm sigkdd学报》国际会议上知识发现和数据挖掘gydF4y2Ba 2016年8月gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 785年gydF4y2Ba 794年gydF4y2Ba 气gydF4y2Ba Z。gydF4y2Ba 王gydF4y2Ba B。gydF4y2Ba 田gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba P。gydF4y2Ba 当乐团学习满足深度学习:一个新的深刻的支持向量机分类gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2016年gydF4y2Ba 107年gydF4y2Ba 54gydF4y2Ba 60gydF4y2Ba 10.1016 / j.knosys.2016.05.055gydF4y2Ba 2 - s2.0 - 84973163259gydF4y2Ba GoldbergergydF4y2Ba a . L。gydF4y2Ba 阿马拉尔gydF4y2Ba l。gydF4y2Ba 玻璃gydF4y2Ba lgydF4y2Ba 豪斯多夫gydF4y2Ba j . M。gydF4y2Ba 伊万诺夫gydF4y2Ba p C。gydF4y2Ba 马克gydF4y2Ba r·G。gydF4y2Ba MietusgydF4y2Ba j·E。gydF4y2Ba 喜怒无常的gydF4y2Ba g . B。gydF4y2Ba 彭gydF4y2Ba c K。gydF4y2Ba 斯坦利gydF4y2Ba h·E。gydF4y2Ba PhysioBank、PhysioToolkit和生理网:组件的一个新的研究资源对于复杂的生理信号gydF4y2Ba 循环gydF4y2Ba 2000年gydF4y2Ba 101年gydF4y2Ba 23gydF4y2Ba e215gydF4y2Ba 20.gydF4y2Ba 10.1161/01. cir.101.23.e215gydF4y2Ba 李gydF4y2Ba R。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 戴gydF4y2Ba H。gydF4y2Ba 周gydF4y2Ba B。gydF4y2Ba 王gydF4y2Ba Z。gydF4y2Ba 可解释性分析基于心跳的心跳分类活动的全球序列特性和BiLSTM-attention神经网络gydF4y2Ba IEEE访问gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 109870年gydF4y2Ba 109883年gydF4y2Ba 10.1109 / access.2019.2933473gydF4y2Ba PadhygydF4y2Ba 年代。gydF4y2Ba DandapatgydF4y2Ba 年代。gydF4y2Ba 基于三阶张量分析多引线心电图心肌梗死的分类gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2017年gydF4y2Ba 31日gydF4y2Ba 71年gydF4y2Ba 78年gydF4y2Ba 10.1016 / j.bspc.2016.07.007gydF4y2Ba 2 - s2.0 - 84979703383gydF4y2Ba 刘gydF4y2Ba W。gydF4y2Ba 黄gydF4y2Ba Q。gydF4y2Ba 常gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 他gydF4y2Ba J。gydF4y2Ba Multiple-feature-branch卷积神经网络使用心电图心肌梗死诊断gydF4y2Ba 生物医学信号处理和控制gydF4y2Ba 2018年gydF4y2Ba 45gydF4y2Ba 22gydF4y2Ba 32gydF4y2Ba 10.1016 / j.bspc.2018.05.013gydF4y2Ba 2 - s2.0 - 85047257304gydF4y2Ba