心脏死亡和心律不齐占全世界所有死亡的很大一部分。心电图(ECG)是用于心血管疾病的最广泛使用的筛查工具。传统上,ECG信号是手动分类的,需要经验和良好的技巧,同时又耗时且容易出错。因此,机器学习算法因其执行复杂数据分析的能力而被广泛采用。从ECG(主要是Q,r和s)中引入的特征广泛用于心律不齐。在这项工作中,我们证明了使用混合功能和三种不同模型的ECG分类的性能提高了,这是我们过去提出的1D卷积神经网络(CNN)模型的建立。这项工作中提出的基于RR间隔的模型的准确性为98.98%,这是对基线模型的改进。为了使模型免疫噪声,我们使用频率功能更新了模型,并在噪声的存在下实现了良好的持续性能,精度略低为98.69%。此外,开发了另一个结合频率特征和RR间隔功能的模型,在嘈杂的环境中,持续性能良好,高精度为99%。由于其高精度和噪声免疫力,结合了多个混合功能的拟议模型非常适合门诊可穿戴感应应用。
translated by 谷歌翻译