基于压缩器的分类用于房颤检测
信号处理
2023-10-03 v2 机器学习
摘要
心房颤动（AF）是最常见的心律失常之一，带来严峻的公共卫生挑战。因此，在ECG上自动检测AF发作是生物医学工程中的基本任务之一。本文将近期提出的基于压缩器的文本分类方法（使用gzip算法）应用于AF检测（心律的二分类）。我们研究了应用于RR间期与RR间期序列的归一化压缩距离（RR间期为相邻RR间期之差）。此处分析了k近邻分类器的配置、最优窗口长度以及用于压缩的数据类型选择。我们在完整的MIT-BIH Atrial Fibrillation数据库上学习，取得了良好的分类结果，接近最佳专用AF检测算法（平均灵敏度=97.1%，平均特异度=91.7%，最佳灵敏度99.8%，最佳特异度97.6%，采用五折交叉验证）。此外，我们在少样本学习设定下评估了分类性能。我们的结果表明，最初为文本提出的基于gzip压缩的分类适用于生物医学数据及一般的量化连续随机序列。
引用
@article{arxiv.2308.13328,
title = {Compressor-Based Classification for Atrial Fibrillation Detection},
author = {Nikita Markov and Konstantin Ushenin and Yakov Bozhko and Olga Solovyova},
journal= {arXiv preprint arXiv:2308.13328},
year = {2023}
}
备注
This paper is sent for review at the IEEE conference, 2023