用于从心电图中预测阵发性心房颤动的时间序列核相似度方法
机器学习
2018-04-06 v2 信号处理
机器学习
摘要
我们解决了分类心电图（ECG）信号以预测阵发性心房颤动（PAF）发作的问题。心房颤动是最常见的一种心律失常，但在许多情况下 PAF 发作是无症状的。因此，为了辅助诊断 PAF，设计用于检测且更重要的是预测 PAF 发作的流程十分重要。我们提出了一种预测 PAF 事件的方法，其第一步为将每幅 ECG 表示为多变量时间序列的特征提取流程。随后，我们设计了一个基于多变量时间序列核相似度、能够处理缺失数据的分类框架。我们考虑了在原始多变量时间序列空间以及由核相似度度量定义的嵌入空间中执行分类的不同方法。我们取得了与 state of the art 方法相当的分类准确率，并额外具备提前至多 15 分钟检测 PAF 发作的优势。
引用
@article{arxiv.1801.06845,
title = {Time series kernel similarities for predicting Paroxysmal Atrial Fibrillation from ECGs},
author = {Filippo Maria Bianchi and Lorenzo Livi and Alberto Ferrante and Jelena Milosevic and Miroslaw Malek},
journal= {arXiv preprint arXiv:1801.06845},
year = {2018}
}