用于单导联心电图 f 波提取方法排序的机器学习
信号处理
2023-07-18 v1
摘要
引言： fibrillatory 波（f 波）的存在对心房颤动（AF）的诊断十分重要，这推动了 f 波提取方法的发展。我们提出了一种针对单导联心电图分析方法的基准测试新方法，其基于如下假设：利用提取的 f 波计算特征进行心房颤动分类的性能越好，意味着提取性能越好。该方法非常适用于处理标注了 AF 是否存在的大型 Holter 数据集。方法：使用了在美国、以色列和日本记录的共 300 份两导联或三导联 Holter 记录的三个数据集，以及一个模拟单导联数据集。评估了四种基于平均心搏减除或主成分分析（PCA）的现有提取方法。采用随机森林分类器进行基于窗口的 AF 分类。性能通过受试者工作特征曲线下面积（AUROC）衡量。结果：基于 PCA 的提取性能最佳，在美国、以色列和日本数据集跨导联分析时的 AUROC 范围分别为 0.77--0.83、0.62--0.78 和 0.87--0.89；模拟单导联含噪数据集的 AUROC 为 0.98。结论：本研究提供了一种评估 f 波提取方法性能的新途径，其优势在于不使用真实 f 波作为基准，从而能够利用真实数据集进行评估。代码为开源（发表后公开）。
引用
@article{arxiv.2307.08331,
title = {Machine Learning for Ranking f-wave Extraction Methods in Single-Lead ECGs},
author = {Noam Ben-Moshe and Shany Biton and Kenta Tsutsui and Mahmoud Suleiman and Leif Sörnmo and Joachim A. Behar},
journal= {arXiv preprint arXiv:2307.08331},
year = {2023}
}