基于机器学习的 ECG 信号室性心动过速高效检测模型

在心脏缺陷的初步诊断与分析中，ECG 信号起着重要作用。本文提出一种利用噪声滤波、一组独特的 ECG 特征以及基于机器学习的分类器模型来预测室性心动过速心律失常的模型。在信号特征提取之前，我们对信号进行去趋势和去噪以消除噪声，从而正确检测特征。之后提取必要特征并测量与这些特征相关的必要参数。利用这些参数，我们通过机器学习方法构建了一个高效的多类分类器模型，能够高效分类不同类型的室性心动过速心律失常。我们的结果表明，Logistic 回归和基于决策树的模型是检测室性心动过速心律失常最高效的机器学习模型。为了诊断心脏病并为患者提供照护，对不同类型心律失常的早期、可靠诊断是必要的。通过实施我们提出的方法，本工作高效地处理了减少与室性心动过速相关的关键信号误分类的问题。实验结果表明令人满意的改进，并显示出对我们所提出算法的高鲁棒性。在此辅助下，医生可以早期评估患者的此类心律失常并在适当时机做出正确决策。