结合支持向量机与象群优化算法用于心律失常分类
信号处理
2018-06-22 v1 机器学习
摘要
许多人目前正遭受可能导致过早死亡的心脏疾病困扰。最常见的心脏异常是心律失常，即简单而言心脏的不规则跳动。用于心脏疾病（包括心血管疾病（CDVs）和心律失常）早期干预和预防的预测系统十分重要。本文介绍了将心电图（ECG）心跳分类为正常或异常的方法。该方法基于群优化算法与改进 PannTompkins 算法（MPTA）及支持向量机（SVMs）的结合。实现 MPTA 以去除 ECG 噪声，随后应用扩展特征提取算法（EFEA）进行 ECG 特征提取。然后，使用象群优化（EHO）从更大的特征池中找出 ECG 特征子集，其分类性能优于使用全部特征集。最后，使用 SVMs 进行分类。结果表明，EHOSVM 方法在五项统计指标上取得了良好分类结果：准确率 93.31%；灵敏度 45.49%；精确率 46.45%；F 值 45.48%；特异度 45.48%。此外，结果证明在应用于 MITBIH 心律失常数据库时，相较于其他方法准确率有明显提升。
引用
@article{arxiv.1806.08242,
title = {Combining Support Vector Machine and Elephant Herding Optimization for Cardiac Arrhythmias},
author = {Aboul Ella Hassanien and Moataz Kilany and Essam H. Houssein},
journal= {arXiv preprint arXiv:1806.08242},
year = {2018}
}