A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

ECG Delineation with Randomly Selected Wavelet Feature and Random Forest Classifier Delineamento de ECG com recurso Wavelet selecionado aleatoriamente e classificador de floresta aleatório

Dapeng FU, Zhourui XIA, Pengfei GAO, Haiqing WANG, Jianping LIN, Li SUN

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Objetivo: A detecção de pontos característicos do eletrocardiograma (ECG) pode fornecer informações diagnósticas críticas sobre doenças cardíacas. Propusemos um novo esquema de extração de recursos e aprendizado de máquina para detecção automática de pontos característicos de ECG. Métodos: Um novo recurso, denominado recurso de transformada wavelet selecionada aleatoriamente (RSWT), foi desenvolvido para representar pontos característicos do ECG. Um classificador florestal aleatório foi adaptado para inferir a posição dos pontos característicos com alta sensibilidade e precisão. Resultados: Comparados com os resultados de testes de outros algoritmos de última geração no banco de dados QT, nossos resultados de detecção do esquema RSWT mostraram desempenho comparável (sensibilidade, precisão e erro de detecção semelhantes para cada ponto característico). Os testes RSWT no banco de dados MIT-BIH também demonstraram um desempenho promissor entre bancos de dados. Conclusão: Um novo recurso de RSWT e um novo esquema de detecção foram fabricados para pontos característicos do ECG. O RSWT demonstrou um recurso robusto e confiável para representar morfologias de ECG. Significância: Com a eficácia do recurso RSWT proposto, apresentamos um novo esquema baseado em aprendizado de máquina para detectar automaticamente todos os tipos de pontos característicos de ECG de cada vez. Além disso, mostrou que nosso algoritmo alcançou melhor desempenho do que outros métodos baseados em aprendizado de máquina relatados.

Publicação
IEICE TRANSACTIONS on Information Vol.E101-D No.8 pp.2082-2091
Data de publicação
2018/08/01
Publicitada
2018/05/09
ISSN online
1745-1361
DOI
10.1587/transinf.2017EDP7410
Tipo de Manuscrito
PAPER
Categoria
Reconhecimento de Padrões

autores

Dapeng FU
  Chinese Academy of Sciences Zhong Guan Cun Hospital
Zhourui XIA
  Beijing University of Posts and Telecommunications
Pengfei GAO
  Tsinghua University
Haiqing WANG
  Beijing Zhong Guan Cun Hospital, Chinese Academy of Sciences Zhong Guan Cun Hospital
Jianping LIN
  Beijing XinHeYiDian Technology Co. Ltd.
Li SUN
  Beijing XinHeYiDian Technology Co. Ltd.

Palavra-chave