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

文摘

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。

1。介绍

MI (1)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2]。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(3]。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(4,5]。

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。

本文基于医生的诊断规则的主要特点(6- - - - - -8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1显示了不同形态学特征的心肌梗死。

(一)

(b)

(c)

(d)

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:(1)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。(2)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。(3)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。

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

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。

2.1。心肌梗死分类基于深度学习

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(9- - - - - -16]。Acharya et al。9)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10)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(10,11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。

2.2。心肌梗死工程。基于特征的分类

基于功能的心肌梗死(分类17- - - - - -31日)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(18- - - - - -21]。具体来说,RR间隔(4),振幅(22- - - - - -24,26),区域(22,27,28),和其他原始心电图的特征提取。Arif et al。22]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。23]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(29日- - - - - -33)提取相应的心跳的高级功能,如小波系数(29日,31日- - - - - -33),离散余弦变换(30.),和经验模态分解31日]。Sharma et al。30.)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。31日)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。31日)使用小波变换尺度系数特性,并采用资讯MI分类。

尽管有如此多的工作的检测心肌梗死(34,35),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[22- - - - - -26,36,37考虑这些特性,但是基于医生的诊断规则的主要特点(6- - - - - -8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1。


方法	功能	文献

深度学习	端到端	(9- - - - - -16]

机器学习	形态	(22- - - - - -26,36,37]
	时间间隔	(4,25]
	区域	(22,27,28]
	小波系数	(18,20.,21,25,29日,31日- - - - - -33]
	离散余弦变换	(30.]
	经验模态分解	(31日]

3所示。方法

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2显示了心肌梗死的流分类算法。

3.1。心电信号预处理

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(38)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。的扩展功能小波基函数连续小波变换,其定义如下公式所示: 在哪里比例因子和吗转换因子;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。

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3和4显示数据去噪前后的心电图。

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(39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 Table2。检测图所示5。


记录	非线性波			P波			T波
记录	+p%	Se %	Acc %	+p%	Se %	Acc %	+p%	Se %	Acc %

001年	99.78	One hundred.	99.78	99.93	99.95	99.89	99.79	99.87	99.67
002年	99.94	One hundred.	99.94	99.92	99.92	99.84	99.79	99.87	99.67
003年	99.93	99.93	99.87	99.84	99.96	99.81	99.93	99.90	99.84
004年	99.89	One hundred.	99.89	99.86	99.86	99.73	99.76	99.83	99.59
005年	99.91	One hundred.	99.91	99.88	One hundred.	99.88	99.95	One hundred.	99.95

3.2。特征提取

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6- - - - - -8)结合医生的诊断规则,本文提取以下心肌状功能组。图6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(2)- (8)。具体计算公式为心室活动特性公式(9)。表3本文总结了特征的描述中提取:(一)ST段功能描述:这些特性包括振幅之间的区别J点(QRS终点)和基线(QRS起点)和振幅T波起始点和之间的区别J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。 (b)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。 (c)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。 (d)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。


数量	心电信号特征	引入心电信号特征参数

1	规则的功能	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

2	心室活动特性	包括1000个采样点的QT段

3	心室融合规则的功能	结合统治者功能和心室活动特性

3.3。压缩特性

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。

3.3.1。离散小波变换

离散小波变换是一种时间domain-frequency域变换分析方法(40),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(1),这是定义如下:

3.3.2。主成分分析

主成分分析是一种基于正交变换的降维方法(41),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:

当样例是一个米 n矩阵X,找到k n矩阵由最大的k矩阵的特征向量通过奇异值分解)。矩阵压缩的特点米列k列。

3.3.3。保局投影

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(42]。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:

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

3.4。XGBoost模型描述

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(43]。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7。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。

输入样本X,输出预测模型在哪里K是数字的总数,代表了kth树,代表样本的预测结果。

损失函数表示为

在这里, 样本的训练误差,代表的正则项kth树。所示的公式是(15):是树的叶节点的数量,然后呢是输出的每棵树的叶节点。

自是一个决策树,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tth树可以表示为

优化得到的损失函数泰勒展开公式所示(17),一阶导数和吗表示二阶导数:

在这里,通过和 ,损失函数可以进一步压缩得到公式(18),其中的偏导数可以更换的和。公式(19),最后损失函数公式所示(20.)。

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。

4所示。结果

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(44]。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。

4.1。实验数据

本文使用的数据来自于肺结核诊断心电图数据库(45]。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4。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。


不。	诊断类	记录

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

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5。


类	数量的节拍

一个	5001年
艾尔	4695年
作为	3219年
我	5395年
伊尔	3391年
知识产权	503年
IPL	1739年
P	460年
H	5820年
O	7136年
总	37359年

4.2。评价指标

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[46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(+p)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(21)- (24))的四个评价指标如下:

4.3。实验和结果分析

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。

4.3.1。比较分析不同的降维方法

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6显示压缩的影响三个转换技术在心室活动特性。


分类器	主成分分析(%)	垂直距离(%)	DWT (%)

然而,	53.94	97.74	98.15
GNB	26.70	23.43	48.00
乔治。	13.88	27.07	76.00
LR	14.31	39.75	82.17
DT	73.16	98.71	92.84
支持向量机	61.17	37.10	98.55
随机森林	80.75	99.43	99.46
演算法	73.80	98.31	92.46
ExtraTrees	70.80	99.19	99.59
装袋	88.12	99.19	98.89
GBDT	67.98	99.65	97.96
XGBoost	93.02	99.65	99.70
平均	59.80	76.60	90.31

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。

4.3.2。比较分析不同的特性

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7显示XGBoost三个特性集的分类性能。


分类器	规则特性(%)	心室活动特性(%)	心室融合规则特性(%)

XGBoost	99.67	99.70	99.86

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8和9和图8显示心室融合规则的详细分类结果的特性。


	一个	作为	艾尔	我	伊尔	知识产权	IPL	P	H	O

一个	500年	0	0	0	0	0	0	0	0	0
作为	1	468年	0	0	0	0	0	0	0	0
艾尔	0	0	320年	0	0	0	0	1	0	0
我	0	0	0	537年	1	0	0	0	0	1
伊尔	0	0	0	0	339年	0	0	0	0	0
知识产权	0	0	0	0	0	50	0	0	0	0
IPL	0	0	0	0	0	0	173年	0	0	0
P	0	0	0	0	0	0	0	46	0	0
H	0	0	0	0	0	0	0	0	582年	0
O	0	0	0	0	0	0	0	0	1	710年


	TP	TN	《外交政策》	FN	Se	Sp	+p	Acc

一个	500年	3229年	1	0	One hundred.	99.97	99.80	99.97
作为	468年	3261年	0	1	99.79	One hundred.	One hundred.	99.97
艾尔	320年	3409年	0	1	99.69	One hundred.	One hundred.	99.97
我	537年	3191年	0	2	99.63	One hundred.	One hundred.	99.95
伊尔	339年	3390年	1	0	One hundred.	99.97	99.71	99.97
知识产权	50	3680年	0	0	One hundred.	One hundred.	One hundred.	One hundred.
IPL	173年	3557年	0	0	One hundred.	One hundred.	One hundred.	One hundred.
P	46	3683年	1	0	One hundred.	99.97	97.87	99.97
H	582年	3147年	1	0	One hundred.	99.97	99.83	99.97
O	710年	3019年	1	1	99.86	99.97	99.86	99.95

4.3.3。比较分析XGBoost和基分类器

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10。


分类器	规则特性(%)	心室活动特性(%)	心室融合规则特性(%)

GNB	42.68	48.00	56.11
乔治。	55.63	76.00	84.98
LR	61.98	82.17	92.57
DT	93.53	92.84	95.65
支持向量机	89.00	98.55	99.08
然而,	95.33	98.15	99.06
XGBoost	99.67	99.70	99.86

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。

4.3.4。比较分析不同的搭配方法

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11。


分类器	规则特性(%)	心室活动特性(%)	心室融合规则特性(%)

随机森林	99.27	99.46	99.75
ExtraTrees	99.51	99.59	99.75
演算法	94.45	92.46	95.54
装袋	98.25	97.98	98.60
GBDT	98.04	97.96	99.19
XGBoost	99.67	99.70	99.86

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%。

4.3.5。与其他研究进行比较分析

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12。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[5,28,29日,47),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。


参考	类数	功能	分类器	性能(%)

林等。5]	2	MODWPT、统计	然而,	Acc = 99.57;Se = 99.82;Sp = 98.79
Baloglu et al。12]	11	端到端	美国有线电视新闻网	Acc = 99.78;
汉和施13]	7	端到端	ResNet	Acc = 99.72;Se = 99.63;Sp = 99.72;
汉和施28]	2	MODWPT,形态	支持向量机	Acc = 99.81;Se = 99.56;+p= 99.74
Acharya et al。29日]	11	DWT	然而,	Acc = 98.80;Se = 99.45;Sp = 96.27
Padhy和Dandapat47]	6	奇异值分解	支持向量机	Acc = 95.30;Se = 94.60;Sp = 96.00
刘等人。48]	6	端到端	美国有线电视新闻网	Acc = 99.81
提出了	10	DWT,规则特性	XGBoost	Acc = 99.86;Se = 99.86;Sp = 99.86

5。结论

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。

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。

数据可用性

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https://www.physionet.org/cgi-bin/atm/ATM。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。

的利益冲突

作者宣称没有利益冲突。

确认

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).

引用

d·f·米兰达a . s . Lobo b·沃尔什y桑多瓦尔,和s w·史密斯,”的新见解的使用12导心电图诊断急性心肌梗死急诊,”加拿大心脏病学杂志》,34卷,不。2、132 - 145年,2018页。视图:出版商的网站|谷歌学术搜索
e . Boersma a . c .马斯河j·w·德克斯和m . l .西蒙风”早期溶栓治疗急性心肌梗塞:重新评价的黄金时刻,”《柳叶刀》,卷348,不。9030年,第775 - 771页,1996年。视图:出版商的网站|谷歌学术搜索
b·e·索贝尔和w·e·壳”,血清酶决定在心肌梗死的诊断和评估,”循环,45卷,不。2、471 - 482年,1972页。视图:出版商的网站|谷歌学术搜索
İ。Kayikcioglu, f . Akdeniz高丝,t . Kayikcioglu“心肌梗死心电图分类时频方法。”计算机与电气工程文章ID 106621卷,84年,2020年。视图:出版商的网站|谷歌学术搜索
林z, y高,y . Chen问:通用电气、g .马海拉和j·张,“自动检测心肌梗死使用健壮的特性提取12导心电图,”信号,图像和视频处理,14卷,不。5,857 - 865年,2020页。视图:出版商的网站|谷歌学术搜索
p . j . Zimetbaum和m·e·约瑟夫森”使用心电图在急性心肌梗塞,”新英格兰医学杂志》上,卷348,不。10日,933 - 940年,2003页。视图:出版商的网站|谷歌学术搜索
k . Thygesen j·s·阿尔珀特,h·d·白“心肌梗死的普遍定义,”美国心脏病学会杂志》上,50卷,不。22日,第2195 - 2173页,2007年。视图:出版商的网站|谷歌学术搜索
a . l . Goldberger z d Goldberger, a . Shvilkin临床心电描记法:电子书的简化方法爱思唯尔健康科学,荷兰阿姆斯特丹,2017年。
美国r . Acharya h . Fujita s l .哦,y Hagiwara, j . h . Tan和m .亚当,”申请深卷积神经网络自动检测心肌梗死使用心电图信号,”信息科学卷,415 - 416,190 - 198年,2017页。视图:出版商的网站|谷歌学术搜索
h·w·文森特和k . l . Chow多级分类的心肌梗死与卷积和复发性神经网络对于便携式心电图设备,“医学信息学解锁卷。13日,26-33,2018页。视图:出版商的网站|谷歌学术搜索
p·科拉琴,“心电图心肌梗死检测使用混合萤火虫算法为基础,“计算机在生物医学方法和项目卷,152年,第148 - 141页,2017年。视图:出版商的网站|谷歌学术搜索
美国b . Baloglu m . Talo o . Yildirim r . s . Tan和美国r . Acharya”分类多回路的心肌梗死心电图信号和深CNN,“模式识别的字母卷。122年,23-30,2019页。视图:出版商的网站|谷歌学术搜索
c·汉和l .史”ML-ResNet:一种新的网络来检测和定位使用12导致心电图,心肌梗死”计算机在生物医学方法和项目文章ID 105138卷,185年,2020年。视图:出版商的网站|谷歌学术搜索
李高p, x, z . j . Zhang f . Wu和c呗,”多分支融合网络从12导心电图心肌梗死筛选图片,”计算机在生物医学方法和项目文章ID 105286卷,184年,2020年。视图:出版商的网站|谷歌学术搜索
大肠Prabhakararao和美国Dandapat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,”IEEE传感器杂志,20卷,不。15日,第8720 - 8711页,2020年。视图:出版商的网站|谷歌学术搜索
k .杉y今敏,s·李和y Okada,“检测和定位的心肌梗死基于卷积autoencoder,”以知识为基础的系统卷,178年,第131 - 123页,2019年。视图:出版商的网站|谷歌学术搜索
l·d·沙玛,r·k·Sunkaria心肌梗死检测和定位使用基于最优特性导致特定的方法,”IRBM第41卷。。1,58 - 70、2020页。视图:出版商的网站|谷歌学术搜索
c . bloom o . s . Lih诉Jahmunah et al .,“准确检测心肌梗死与心电图信号,使用非线性特性”环境智能和人性化计算杂志》上,12卷,不。3、3227 - 3244年,2020页。视图:出版商的网站|谷歌学术搜索
j . Heo j·j·李,美国Kwon b . Kim s o·黄和y . r . Yoon”小说的方法检测ST段抬高心肌梗死与三维显示、12导心电图”生物医学信号处理和控制卷,56个p。101700年,2020年。视图:出版商的网站|谷歌学术搜索
朱张c . j . Liu, y, t . Ristaniemi t . Parviainen和f .琮、“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,“计算机在生物医学方法和项目,第184卷,第105120页,2020年。视图:出版商的网站|谷歌学术搜索
p s。乔杜里和美国Dandapat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,”学报2020年IEEE应用信号处理会议(ASPCON),页222 - 226,加尔各答,印度,2020年10月。视图:谷歌学术搜索
m . Arif中情局Malagore, f . a . Afsar“心肌梗死再使用分类器的检测和定位,“医疗系统杂志,36卷,不。1,第289 - 279页,2012。视图:出版商的网站|谷歌学术搜索
a . k . Dohare诉库马尔,r·库马尔”检测心肌梗死的12导心电图使用支持向量机,”应用软计算卷,64年,第147 - 138页,2018年。视图:出版商的网站|谷歌学术搜索
r . s . Remya k . p . Indiradevi, k . k . a先生”的分类使用多分辨率小波分析心肌梗死心电图,”Procedia技术,24卷,第956 - 949页,2016年。视图:出版商的网站|谷歌学术搜索
a .筑堤者z Comert、大肠Avci和s . Velappan“基于遗传算法和支持向量机的智能系统检测心肌梗死的心电图信号,”学报2018年26日信号处理和通信应用会议(SIU),页1 - 4,伊兹密尔,土耳其,2018年5月。视图:谷歌学术搜索
l .太阳,y, k·杨,李,“使用多实例学习心肌梗死心电图分析检测,”IEEE生物医学工程卷,59号12日,第3356 - 3348页,2012年。视图:出版商的网站|谷歌学术搜索
n . Safdarian n . j . Dabanloo, g . Attarodi”一种新的模式识别方法检测和定位的心肌梗塞使用让积分和总积分从ECG信号的一个周期中提取特征,“生物医学科学与工程》杂志上,7卷,不。10日,818 - 824年,2014页。视图:出版商的网站|谷歌学术搜索
c·汉和l .史”自动化可检测心肌梗死的融合能量熵和形态学特征,“计算机在生物医学方法和项目卷。175年,合唱,2019页。视图:出版商的网站|谷歌学术搜索
美国r . Acharya h . Fujita v . k .苏达山et al .,“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,”以知识为基础的系统卷,99年,第156 - 146页,2016年。视图:出版商的网站|谷歌学术搜索
m·沙玛,r . s . Tan和美国r . Acharya”一种新颖的自动诊断系统分类的心肌梗死心电图信号使用最优双正交滤波器组,“计算机在生物学和医学卷,102年,第356 - 341页,2018年。视图:出版商的网站|谷歌学术搜索
美国r . Acharya h . Fujita m .亚当et al .,“自动描述和分类的冠状动脉疾病和心肌梗塞心电图信号的分解:比较研究,“信息科学卷。377年,17 - 29,2017页。视图:出版商的网站|谷歌学术搜索
m·库马尔·r·Pachori,美国阿”自动诊断心肌梗死心电图信号在灵活使用样本熵分析小波变换框架,“熵,19卷,不。9,488年,页2017。视图:出版商的网站|谷歌学术搜索
n . a . Bhaskar”性能分析的支持向量机和神经网络检测心肌梗死”Procedia计算机科学,46卷,20 - 30,2015页。视图:出版商的网站|谷歌学术搜索
库托g . de, m . Ouzounian和p . p . Liu“心肌功能障碍的早期检测和心脏衰竭。”自然评论心脏病学,7卷,不。6,334 - 344年,2010页。视图:出版商的网站|谷歌学术搜索
l . e . Juarez-Orozco o . Martinez-Manzanera a . e . Storti和j . Knuuti”通过核机器学习的评价心肌缺血心脏病,”当前心血管成像报告,12卷,不。2、p。5、2019。视图:出版商的网站|谷歌学术搜索
a . k . Bhoi k . s .夏尔巴人,b口“心律失常和心肌缺血分类和聚类使用QRS-ST-T (QT)心电图分析,“集群计算,21卷,不。1,第1044 - 1033页,2018。视图:出版商的网站|谷歌学术搜索
a . k . Bhoi和k . s .夏尔巴人对qrs波群的统计分析来评估QR和RS间隔改变缺血期间,“医学成像和卫生信息学杂志》上》第六卷,没有。1,第214 - 210页,2016。视图:出版商的网站|谷歌学术搜索
汉和z徐”,心电图信号基于一个新的改进的小波阈值去噪,”审查的科学仪器,卷87,不。2016年8篇文章ID 084303。视图:出版商的网站|谷歌学术搜索
v . p . Vassilikos l . Mantziari g . Dakos et al .,“QRS分析使用小波变换对心脏再同步化治疗的预测:未来的试点研究,“心电学杂志》卷,47号1,59 - 65年,2014页。视图:出版商的网站|谷歌学术搜索
e . s . Jayachandran k·p·约瑟夫,和美国r . Acharya”使用离散小波变换分析心肌梗死,”医疗系统杂志,34卷,不。6,985 - 992年,2010页。视图:出版商的网站|谷歌学术搜索
美国荒原,k . Esbensen和p . Geladi“主成分分析”,化学计量学和智能实验室系统,卷2,不。1 - 3,37-52,1987页。视图:出版商的网站|谷歌学术搜索
x他和p .他“保局预测,”先进的神经信息处理系统,16卷,不。1,第197 - 186页,2003。视图:谷歌学术搜索
t·陈和c . Guestrin“Xgboost:一个可伸缩的树增加系统”22 acm sigkdd学报》国际会议上知识发现和数据挖掘,页785 - 794,纽约,纽约,美国,2016年8月。视图:谷歌学术搜索
z气,y, b . Wang和张平,“当乐团学习满足深度学习:一个新的深度分类支持向量机,”以知识为基础的系统卷。107年,54-60,2016页。视图:出版商的网站|谷歌学术搜索
a . l . Goldberger l·a·阿马拉尔l .玻璃et al。”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,”循环,卷101,不。23日,pp. e215-20, 2000年。视图:出版商的网站|谷歌学术搜索
r·李x张h·戴b .周和z . Wang”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”IEEE访问7卷,第109883 - 109870页,2019年。视图:出版商的网站|谷歌学术搜索
Padhy和s . Dandapat“基于三阶张量分析多引线心电图心肌梗死的分类”生物医学信号处理和控制31卷,第78 - 71页,2017年。视图:出版商的网站|谷歌学术搜索
w·刘问:黄,s . Chang h . Wang和j .他“Multiple-feature-branch卷积神经网络使用心电图心肌梗死诊断,”生物医学信号处理和控制卷,45 22-32,2018页。视图:出版商的网站|谷歌学术搜索