基于高频心电图的缺血型心脏疾病分类算法

摘要：

现阶段高频心电图(high-frequency electrocardiogram,HFECG)分类算法多为心梗(myocardial infarction,MI)与非心梗的二类分类或心梗类别分类算法,无法在心梗早期的心肌缺血阶段发现病例.基于此,本文提出了一种基于高频心电图的缺血型心脏疾病分类算法.该算法选取并改进了6个高频成分参数作为特征,使用XGBoost模型对样本进行分类.相较于传统算法,该算法增加了对缺血型异常(ischemic,ISC)病例的分类,可以及早发现心梗潜在病例.此外,本文对高频成分参数中幅值下降区域的求解过程与形态学指标进行了改进,提高了算法性能.采用本文算法在PTB-XL数据集上进行了实验,并利用临床数据进行了验证.实验结果表明,本文采用的高频心电图特征对于心肌缺血异常具有较强的表征能力,针对PTB-XL数据集,对四分类类别:正常(NORM)、其他异常(ABNORM)、ISC和MI的识别准确率依次为83.9％,81.7％,88.2％和93.9％.该算法可以有效挖掘处于心梗早期心肌缺血阶段的病例.

关键词：机器学习、高频心电图、心肌缺血、非ST段抬高心肌梗死、幅值下降区域

所属期刊栏目：67

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划20206YFA0607902

在线出版日期：2021-07-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：221-231